做数据分析的人大概都有过这样的经历：接手一份别人留下的数据集，打开一看变量名是 v1、v2、x1、x2 这类东西，或者是一串拼音首字母缩写，光靠猜根本判断不出哪个是收入、哪个是工龄。我在最初接触 Stata 的那段时间，花在“猜变量含义”上的时间比真正做分析还多。后来才慢慢明白，变量标签、审视数据这些看起来最不起眼的基础操作，恰恰决定了后面画图、算统计特征、生成新变量时会不会反复返工。这篇记录把我自己在 Stata 里关于变量标签、审视数据、画图、统计特征、生成新变量，以及计算器功能、命令调用与终止、日志管理这几块的学习过程和踩过的坑整理出来，适合刚上手 Stata、或者用了半年但一直靠“试出来”的朋友对照着看。全程给的是能直接抄进 do 文件里跑的写法，不是那种只讲概念不落地的说明。

1. 变量标签：给数据集建一套看得懂的索引

1.1 变量名、变量标签、值标签压根不是一回事

刚学的时候我把这三个概念混成一锅粥，导致后面查资料时总是对不上号。用一句话区分：变量名是给 Stata 解析器看的，变量标签是给人眼看的，值标签是给分类取值看的。变量名有严格限制，只能用字母、数字、下划线，不能以数字开头，长度上限 32 个字符，而且大小写敏感——Income和income在 Stata 眼里是两个完全不同的变量。变量标签则是自由文本，上限 80 个字符，想写中文就写中文，它的唯一作用是让describe输出的时候人能看懂。

值标签完全是另一个维度的事。它解决的是“1 和 2 分别代表什么”的问题，比如性别变量里 1 是男性、2 是女性。值标签的创建要两步走：先用label define定义一套标签规则，再用label values把它挂到某个变量上。这一步是新手最容易漏的，我当初就干过只写了label define就以为完事，结果tabulate出来还是光秃秃的 1 和 2，盯着屏幕找了十分钟才发现少了一行。

label variable sex "受访者性别" label define sexlbl 1 "男" 2 "女" label values sex sexlbl

这三行写完，tabulate sex出来的表头就是“男”“女”了。值得记住的是label define里的那套标签其实是一个独立对象，叫sexlbl，它可以被多个变量共享。比如还有一个father_sex变量，取值规则一样，直接label values father_sex sexlbl就行，不用重复定义。这个特性在做问卷数据的时候特别好用，一份问卷里十几个“是/否”题，定义一套yesno标签就能全部套上。

1.2 改标签的两个入口：modify 和 replace

已经定义好的值标签要改，得看你是改一套标签还是重定义整套。单个取值要改文字，用modify：

label define sexlbl 1 "男性" 2 "女性", modify

modify的意思是“在原有基础上打补丁”，没提到的取值保持原样。如果整套标签都错了，想推倒重来，就用replace，但这要求当前没有任何变量在用它，否则 Stata 会拒绝执行。这个限制其实是保护机制——想象一下几百个变量共用一套标签，你一个replace把它们全改了，后果不堪设想。

变量标签的修改相对简单，重新执行一次label variable就覆盖了，不需要额外的选项。我个人的习惯是在数据清洗的 do 文件开头集中写一批label variable，把原始数据里那些缩写全部翻译成人话，后面所有代码读起来就顺畅多了。这套做法在多人协作时价值翻倍，别人拿到你的 do 文件不用再问“这个lninc到底是对数收入还是低收入”。

1.3 用 labelbook 做一次标签体检

标签写多了，很容易出现“定义了却没用上”或者“两个变量不小心挂了不同的标签但内容重复”的情况。labelbook这个命令专门干这件事，它会把数据集里所有值标签列出来，标注每个标签被多少个变量使用、每个取值的频数分布。输出里如果看到某个标签的“变量数”是 0，说明是僵尸标签，可以清理掉。

配套的describe给出的是另一个视角：变量名、存储类型、变量标签、值标签名、取值范围，一行一个变量，扫一眼就能知道数据集的骨架长什么样。我现在的固定动作是拿到新数据先跑describe，看变量数量和类型分布，再跑labelbook，看标签体系是不是完整。这两步加起来不到十秒，但能省掉后面大量的猜测。

提示：Stata 14 之后默认使用 UTF-8 编码，中文标签基本不会乱码。如果你的版本比较老，或者数据来源是某些老系统导出的，中文标签可能显示成方块或者问号，这时候需要用unicode analyze和unicode encoding系列命令转换编码，别硬扛着用乱码标签做分析。

2. 审视数据：拿到数据集的前十五分钟该干什么

2.1 describe、codebook、count 三个命令各管一段

这三个命令经常被混着用，其实分工很清楚。describe管结构：有多少个变量、多少个观测、每个变量什么类型、有没有标签。它不告诉你数据内容长什么样，只告诉你“有哪些格子”。codebook管内容：每个变量的取值分布、缺失情况、唯一值个数、最大最小值，输出很长但信息密度高。count if管精确计数，你想知道“收入大于五千的到底有多少条”，只有它能给你一个确切的数字。

我的习惯顺序是先describe摸清规模，再codebook逐变量过一遍，遇到可疑的再用count if精确核。codebook输出长这个问题有解，加变量名限定范围就行，比如codebook income age edu，只看关心的那几个。另外codebook, compact会压缩输出格式，适合变量多、只想快速扫一眼的场景。

有一类问题只有codebook能暴露出来：某个分类变量理论上有 5 个取值，实际数据里只出现了 3 个。这种情况tabulate也能看出来，但你得先知道它应该有 5 个取值。所以审视数据这件事，光看数据本身不够，还得结合你对这份数据的先验认知——问卷设计里有几道题、每个题有几个选项，这些背景信息决定了你判断“数据是否正常”的基准线。

2.2 一套可以固化成 do 文件的体检清单

用的次数多了，我把审视数据的动作整理成了一份固定清单，每次拿到新数据直接改改变量名就能跑：

isid这个命令值得单独说。它的作用是断言某个变量（或变量组合）能唯一标识每一条观测，跑通了什么都不输出，跑不通直接报错并告诉你哪几条重复。把isid id放在 do 文件靠前的位置，能挡住后面合并数据时的一大堆麻烦。我吃过一次亏，两份数据按 id 合并，结果其中一份的 id 有重复，merge出来行数凭空翻倍，当时没注意，等到做回归发现样本量不对劲，回头查了半天才定位到问题。

assert系列是另一个被低估的工具。assert age >= 0这种写法看起来多余，但它能在数据更新后第一时间告诉你“有人填了负数年龄”。把几条关键的assert写进清洗脚本，相当于给自己上了一道保险。

2.3 缺失值：Stata 里的那个点其实是个很大的正数

这一条我踩坑踩得最深，必须单独拎出来讲。Stata 里数值型缺失值显示为一个点.，但它底层存的不是 0，也不是什么特殊标记，而是一个比所有正常数值都大的数。这个设计带来的直接后果是：income > 5000这个条件，对缺失值也会返回真，因为“缺失”被当成了正无穷大。

我第一次遇到这个问题是在筛选高收入样本，筛出来的结果比预期多了几十条，查了半天发现全是 income 缺失的记录被误纳入了。解决办法是用missing()函数显式排除：

count if !missing(income) & income > 5000

另一个相关的问题是tabulate默认不显示缺失值。tabulate region出来的百分比加起来可能是 97%，剩下 3% 去哪了？全在缺失里。加上, missing选项才会把缺失单独列成一行。这个默认行为很容易让人误判数据的完整程度，尤其是做描述性统计表的时候，漏掉缺失那一行，读者会以为样本是完整的。

misstable summarize是专门看缺失模式的命令，它会输出每个变量的缺失数量、缺失比例，还有不同缺失模式的组合情况。变量多的时候，它能帮你快速判断缺失是随机的还是集中在某几个变量上——如果是后者，往往意味着这几个变量来自同一份子问卷，或者采集环节有系统性问题。

3. 画图：graph 命令的骨架和几个能直接套的模板

3.1 先想清楚要表达什么，再选图形类型

画图这一步最常见的错误不是命令写错，而是图形类型选错。用散点图展示一个分类变量的分布，或者用柱状图展示时间趋势，图能画出来，但信息传达效率极低。我现在的做法是先问自己一句：这张图要回答什么问题？答案决定了图形类型。

histogram有一个经常被忽略的参数是bin()，控制分组数量。默认的分组数在样本量大时会显得过于细碎，图形看起来毛毛躁躁；样本量小的时候又会太粗，看不出分布形状。我的经验是 100 条以内的观测用 8 到 10 个 bin，1000 条左右用 20 到 30 个，上万条的话可以考虑直接上kdensity看平滑曲线，直方图反而看不清。

3.2 twoway 的“图层叠加”思路

Stata 的twoway系列是画图的主力，它的设计思路是图层叠加：括号里每一个都是一个图层，图层之间用空格隔开，后面的盖在前面的上面。这个思路一通，很多复杂的图就变得简单了。

twoway (scatter wage tenure, mcolor(%40)) /// (lfit wage tenure, lcolor(red) lwidth(medthick)), /// title("工资与工龄的关系") /// xtitle("工龄（年）") ytitle("月工资（元）") /// legend(order(1 "观测值" 2 "线性拟合")) /// scheme(s2color)

这段代码里mcolor(%40)把散点设成 40% 透明度，样本量大的时候能看清点的密集程度，比实心点友好得多。legend(order(...))是给图例改名的标准写法，括号里的数字对应图层顺序。scheme()控制整体配色风格，s2color是默认的彩色方案，投期刊的话一般换成s2mono或者graphscheme里的灰度方案。

图例这个位置特别容易出问题。默认图例会显示变量名，读者看到wage、tenure这种词完全不知道什么意思。所以要么在legend里手动改名，要么在画图之前就把变量标签写好——这也是第 1 节讲标签的实用价值之一，标签写好了，图的默认输出直接就是人话。

3.3 图形导出的两个坑：replace 和分辨率

graph export是保存图形的命令，语法看起来简单，但有两个地方经常卡人。第一个是文件已存在时必须加, replace，否则直接报错，这个还好，报错信息明确。第二个是分辨率，默认导出的图片在文档里插进去经常糊得没法看，尤其是柱状图的细边框和坐标轴小字。

graph export "scatter_wage.png", replace width(2000)

width()参数控制像素宽度，2000 左右在 Word 或者网页里显示已经足够清晰。如果是要印刷的图，考虑导出 PDF 或者 EPS 格式，矢量图放大不失真：

graph export "scatter_wage.pdf", replace

还有一个很多人不知道的点：graph export保存的是当前内存里的那幅图，如果你画了第二幅图没保存就把它 export 出去，存下来的是第二幅。养成画完立刻graph export的习惯，或者用graph save "fig1.gph"把图形对象存下来，后面用graph combine拼图的时候再调出来。graph combine fig1.gph fig2.gph, rows(1)这个用法出双栏对比图特别顺手，比在 Word 里对齐图片省事多了。

注意：Stata 的图形窗口一旦被新的graph命令覆盖，之前没保存的图就没了，而且没有撤销功能。批量画图的脚本里，每一幅图后面紧跟一句graph export，这是最稳妥的写法。

4. 统计特征：数字背后的信息密度

4.1 summarize 和 summarize, detail 差在哪

summarize默认输出四个数：观测数、均值、标准差、最小最大值。这四个数够用吗？大部分时候不够。均值和中位数差得远，说明分布偏斜；最小最大值之间差距异常，说明可能有极值或者录入错误。这些信息默认输出里看不到，必须加, detail。

detail输出会给出百分位数（1%、5%、10%、25%、50%、75%、90%、95%、99%）、偏度、峰度，还有最小四个值和最大四个值的具体数值。最后这一项特别有用，很多录入错误一眼就能看出来——比如年龄变量的最大值是 999，那八成是把缺失值编码成了 999 而不是留空。

summarize的结果可以通过return list取出来存成标量，这在写自动化报告的时候很有价值：

summarize wage scalar mean_wage = r(mean) scalar sd_wage = r(sd) display "均值: " %9.2f mean_wage " 标准差: " %9.2f sd_wage

r()里面存的是上一命令的返回值，不同命令存的返回值名字不一样，summarize存的是r(N)、r(mean)、r(sd)、r(min)、r(max)。加了detail之后还会多出r(p50)、r(skewness)这些。记不住的话直接return list看一眼就行。

4.2 tabulate 的双向表和那个隐藏的缺失值

tabulate做单变量频数表是基础用法，双向表才是它的主场：

tabulate education industry, row col chi2

row和col分别输出行百分比和列百分比，chi2附带卡方检验的 p 值。做交叉分析的时候这三个选项基本是标配，光看频数很难判断两个分类变量有没有关联，百分比和检验结果才有解读价值。

前面提过缺失值的问题，这里再强调一次：双向表默认会把任一边缺失的观测整条丢掉，而且不告诉你丢了多少。如果两份变量的缺失率都不低，交叉表的样本量可能比原始数据少一大截，结论的可信度就打折扣了。稳妥的写法是加, missing，让缺失单独成行成列，自己心里有数。

4.3 分组统计：tabstat 比 tabulate 更适合连续变量

tabulate处理分类变量很顺，但要对连续变量按组分算均值标准差，它就力不从心了。tabstat是专门为这个场景设计的：

tabstat wage tenure, by(industry) /// stat(n mean sd p50 min max) /// format(%9.2f) columns(statistics)

stat()里可以列任意多个统计量，format()控制小数位，columns(statistics)让输出按统计量分列而不是按变量分列，读起来更清楚。这个命令的输出直接可以复制进报告，格式比summarize加by()组合要整齐得多。

bysort是另一条路子，适合需要进一步加工的场合：

bysort industry: summarize wage bysort industry: generate mean_wage_ind = wage[1]

第二种写法有坑，wage[1]取的是组内第一个观测的工资，不是均值，写错了自己不容易发现。正经做法是用egen：

bysort industry: egen mean_wage_ind = mean(wage)

egen的mean()是跨观测聚合，generate是逐行计算，这个区别在下一节还会展开讲，因为它是生成新变量时最容易搞混的地方。

5. 生成新变量：generate、egen 与条件表达式的正确姿势

5.1 三个命令的边界，用一句话记住

generate、replace、egen这三个命令我用了很久才理清它们的分工。最直白的说法：generate是创建一个新变量并从零算起，replace是修改已有变量的某些取值，egen是跨观测做聚合运算。

前两个好理解，容易混的是generate和egen。区别在于运算方向：generate里写的表达式是在同一行内部做横向运算，比如generate total = math + english + chinese，每一行的总分由这一行自己的三科成绩加出来。egen则是在一列内部纵向做聚合，比如egen class_mean = mean(math), by(class)，算的是整个班级的平均分，然后把这个值填到组内每一行上。一个横着算，一个竖着算，这个类比帮我省了很多次查文档的时间。

generate total = math + english + chinese egen class_mean = mean(math), by(class) egen rank_in_class = rank(math), by(class)

egen支持的函数比generate多得多，rowtotal()、rowmean()、rowmiss()这几个处理问卷量表特别顺手。rowtotal()还有一个隐藏行为：默认会忽略缺失值直接加总剩余项，加, missing选项才会返回缺失。这个默认值的取舍见仁见智，做量表计分的时候忽略缺失往往是我们想要的，但做财务加总的时候忽略缺失可能是灾难性的。

5.2 条件生成：缺失值会把结果悄悄吃掉

这是我在 Stata 里踩过最隐蔽的一个坑，值得单独用一节讲。

generate high_wage = 1 if wage > 5000 replace high_wage = 0 if wage <= 5000

看起来逻辑完备，大于五千标 1，小于等于五千标 0。但wage缺失的那些观测，两个条件都不满足，high_wage就留在了缺失状态。如果你后面用high_wage做分组统计，这部分样本会静默消失，而你不会收到任何提示。

正确的写法有两种。第一种是先给个默认值再改：

generate high_wage = 0 replace high_wage = 1 if !missing(wage) & wage > 5000

第二种是利用 Stata 的逻辑表达式直接生成 0/1：

generate high_wage = (wage > 5000) if !missing(wage)

第二种写法更简洁，但要注意括号外面的if不能省，否则缺失值会被判成 1。这个细节我当初反复验证过好几次才敢相信，因为直觉上missing > 5000应该是假，但在 Stata 的数值逻辑里，缺失被当作极大值，比较结果就是真。

顺带说一句，分类变量的条件生成用recode更清楚：

recode age (0/17 = 1) (18/35 = 2) (36/60 = 3) (61/max = 4), generate(age_group)

recode的好处是会检查区间是否覆盖完整，而且加, generate()之后原变量不动，新变量单独存。recode里默认也是不含缺失值的，缺失会原样保留到新变量里，这个行为符合预期，比手写条件表达式安全。

5.3 变量类型与精度：默认的 float 可能装不下你的数

generate生成的数值变量默认是float类型，单精度浮点，有效位数大概 7 位。日常的工资、年龄、分数完全够用，但有两类数据会出问题：一是超过 7 位的大整数，二是需要精确到小数点后很多位的数。

身份证号、银行卡号、长编码这类数据，绝对值远超 float 的表达范围，存成数值型必然失真。这类数据一律存成字符串，用string类型，需要比较的时候用字符串比较或者real()转换。已经误存成数值的，用tostring转回来，但要注意如果已经失真，转换也救不回来，只能从原始数据重新导入。

大整数还有一种情况是编号，比如 12 位的订单号。这种用double能存下，但更稳妥的做法还是字符串。double的问题是精度边界比较微妙，12 位以内没问题，再长就开始丢末尾数字了。

generate double order_id_num = real(order_id_str) tostring order_id_num, format(%20.0f) generate(order_id_back)

这段代码演示的是数值和字符串互转，format(%20.0f)里的.0f表示不保留小数，缺了这个格式化参数，转换出来的字符串可能带科学计数法，看着像乱码。

提示：生成新变量之后，别忘了给它加变量标签。generate命令本身支持label variable一样的写法，用generate newvar = ..., variable这种形式是不行的，得单独再跑一句label variable newvar "标签内容"。养成“生成即标标签”的习惯，后面做表画图都能省事。

6. 计算器、命令控制与日志：天天用但很少被系统学的东西

6.1 display：Stata 自带的计算器比想象中能打

很多人不知道 Stata 可以直接当计算器用，display命令支持完整的表达式运算：

display 2^10 display sqrt(144) display exp(1) display ln(100) display %9.2f 1/3 display %9.4f 22/7

^是乘方，sqrt()开方，exp()自然指数，ln()自然对数。格式化输出那两行是重点，%9.2f表示总宽度 9 位、保留 2 位小数，%9.4f是保留 4 位。不写格式化的时候，Stata 会给一个默认精度，看起来经常是 1/3 变成 .33333333 这种一长串，做报告的时候不美观。

display还能拼接字符串，做进度提示特别有用：

display "当前处理第 " `i' " 个文件，共 " `n' " 个"

反引号加单引号这种写法是 Stata 的局部宏引用，i和n是在循环里定义的局部宏。这种拼接在写批量处理的脚本时几乎是必备技能。

标量也能参与运算，scalar定义的值可以直接在display里用：

scalar price = 49.9 scalar qty = 120 display "总金额: " %10.2f price * qty

scalar和局部宏的区别在于作用域，scalar是全局的，local只在当前 do 文件内有效。做小计算用scalar方便，但别定义太多，容易和自己的变量名混淆。

6.2 命令的调用、中断与容错

do文件是 Stata 执行批量命令的主要方式，do filename.do会逐行执行并把每行命令回显在结果窗口。如果你不想看回显，用run filename.do，输出安静很多，跑大循环的时候能提速，因为减少了向界面写内容的开销。

doedit打开 do 文件编辑器，doedit filename.do直接打开指定文件。这个命令本身没什么技术含量，但配合set more off使用体验会好很多。set more off的作用是关掉分页提示，否则输出长的时候会卡在--more--等你按键，批处理的时候直接卡死在那。我现在的每个 do 文件开头都固定写一句set more off，外加clear all清空内存。

中断正在跑的命令，快捷键是Ctrl+C，或者在命令窗口输入break。不过break并非在所有场景都灵，尤其是某个命令正在深度计算的时候，响应可能会有延迟。真正麻烦的是无限循环，while条件写错导致死循环，这时候只能靠Ctrl+C硬中断，运气不好还得重启 Stata。

比中断更重要的是容错。批量处理几十个文件的时候，其中一个文件读取出错，整个脚本就停了，前面跑的结果还在内存里但后面的全没了。capture命令专门解决这个：

capture noisily use "data_`i'.dta", clear if _rc { display "文件 data_`i'.dta 读取失败，错误码: " _rc continue }

capture的作用是“执行后面的命令，如果出错不要停下来，把错误码存在_rc里”。noisily选项让命令正常输出，否则capture会把所有输出都吞掉，出错了也不知道错在哪。_rc为 0 表示成功，非 0 表示失败。这个模式在写循环的时候特别实用，能保证一个文件出问题不影响整批任务。

6.3 日志：把跑过的每一步都留下来

日志这件事，平时觉得多余，等到需要回溯“上次那个结果是怎么跑出来的”时候，才知道它有多重要。Stata 的日志分两种：log记录输出结果，cmdlog只记录输入的命令。

log using "analysis_20240115.log", replace text * 中间是各种分析命令 log close

text选项让日志存成纯文本，方便用任何编辑器打开；不加的话默认是 SMCL 格式，可读性差一些但保留了格式信息。replace允许覆盖同名文件，不加的话同名文件存在就报错。日志文件名的习惯是带上日期，这样同一个项目跑多次不会互相覆盖。

cmdlog的用途是另一个方向：只记命令不记输出，文件小，适合当“操作流水账”。做探索性分析的时候我经常开着cmdlog，因为探索过程中会试很多条命令，最后真正有用的可能就三五条，回头翻 cmdlog 比翻完整日志快得多。

新手最容易踩的一个坑是日志没关就再开一个，Stata 会报错说已经有日志在打开了。这时候要么先log close，要么用log close _all强制关掉所有日志。另一个坑是程序崩溃或者被强制关掉，日志文件处于“打开但没正常关闭”的状态，下次想在同一个文件上append会报错。这个状态绕不过去，只能换个文件名重新开，或者手动把遗留的文件删掉。

log close _all log using "analysis_20240115.log", replace text

把这两行放在 do 文件开头，能避免绝大多数日志相关的报错。log close _all在没有任何日志打开的时候执行也不会报错，属于安全操作。

append和replace的区别值得记一下：replace是新建覆盖，append是追加到已有文件后面。一个项目分几天做，每天开一个新的日志段追加到同一个文件里，用append比较合适，所有记录按时间顺序排下来，脉络清楚。

7. 几个反复验证过的小习惯

变量命名上，我现在的原则是宁可长一点也别用拼音首字母。avg_monthly_income比pjysr好读一百倍，虽然敲起来费劲，但 Stata 有自动补全，敲前几个字母按 Tab 就出来了。变量标签则用来补全单位信息，比如label variable wage "月工资（元）"，这样画图的时候坐标轴标题可以直接从标签带出来。

审视数据的动作，我把它做成了一个独立的 do 文件01_check.do，每次新数据先跑它，输出重定向到单独的日志文件，看完了再决定清洗脚本怎么写。这个习惯让我少踩了很多“数据本身就有问题但我以为是代码写错了”的坑。

画图这块，最大的体会是图是给别人看的，不是给自己看的。自己看的时候知道哪个变量是什么，别人看的时候什么都不知道。所以标题、轴标签、图例、单位，四样齐全再导出，宁可多写两行选项。

生成新变量的顺序也值得注意。我习惯先把所有原始变量标签补全，再做generate和recode，最后统一检查一遍新变量的缺失情况。顺序反过来，标签补到一半忘了，后面做表的时候就会冒出一堆newvar1、newvar2，再回头找哪行代码生成的，白白浪费时间。

日志和capture这两个东西，属于“平时嫌麻烦，出事时救命”的类型。我的做法是在正式的 do 文件里必开日志，探索性的临时命令不开，这样重要操作有记录，随手试试的东西不留垃圾文件。

最后提一个小细节：clear all和clear不是一回事。clear只清空内存里的数据，clear all会连标量、矩阵、局部宏、程序定义一起清掉。写独立脚本的时候开头用clear all比较干净，但在一个长流程的中间段用clear all会把前面定义好的东西全抹掉，这个坑我踩过一次，花了一小时才发现是清过头了。