stata: merge 合并; reclink字符串的模糊合并; joinby 命令多对多匹配

1. merge横向精确合并

一般来说，用到stata进行数据合并，都应该是用1：1合并，这才能一一对应，所以，非一一对应的合并我就不说了。免得混乱。
    一般来说，善用生成的 _merge 变量来删除不要的匹配，再加上知道下面的几种情况怎么匹配，基本上已经够用了。
    （merge的用于匹配的变量格式必须一致，格式不一致的请参照命令help recast）
首先分析一下，用什么指标能唯一地识别出一个数据？显然，对应上面这个面板数据，用year和id两个指标，就能唯一的指明某一条数据。所以我们应用year和id这个组合来进行匹配。
        然后，选择其中一个数据集合作为原本的数据集合。另一个数据集合就用来匹配，匹配成功后就加进原来数据集里面。
        所以，上述的操作代码为：

//加载数据集1.dta
use "C:UsersAdministratorDesktop1.dta"
//根据year id两个维度来匹配数据
merge 1:1 year id using "C:UsersAdministratorDesktop2.dta"

互补的数据，你有我没有，我有你没有，我们只需要非空值。
要合并这个方法很简单，加一个update选项就可以了。update的意思是，如果原来的数据集合该数据为空，那么就使用匹配数据集里面的非空数据替换掉空数据。

//加载数据集1.dta
use "C:UsersAdministratorDesktop1.dta"
//根据year id两个维度来匹配数据
merge 1:1 year id using "C:UsersAdministratorDesktop2.dta",update

数据集1和数据集2的 var3 变量里面，有一部分是重叠的如果你想要原数据集（也就是数据集1）作为正确的数据，也就是这个：

//加载数据集1.dta
use "C:UsersAdministratorDesktop1.dta"
//根据year id两个维度来匹配数据
merge 1:1 year id using "C:UsersAdministratorDesktop2.dta",update

但是如果你认为匹配数据集（也就是数据集2）的数据才是正确的，也就是这样：

//加载数据集1.dta
use "C:UsersAdministratorDesktop1.dta"
//根据year id两个维度来匹配数据
merge 1:1 year id using "C:UsersAdministratorDesktop2.dta",update replace

merge 需要注意的事项：

m:1 表示keyword在using文件中必须是唯一没有重复的的
1：m 表示keywords在master文件中必须是唯一没有重复的

在merge的过程中有可能会出现报错，说year id对应的选项不唯一。可以用以下代码去保证数据的唯一

use "number_all.dta",clear
sort stkcd year              
by stkcd year: gen set=_n
keep if set==1
drop set

merge完之后结果窗口会出现下列信息，同时表格中会出现一个新的变量_merge，

当_merge为1时，该数据仅在主数据集中存在；

当_merge为2的时候，该数据仅在用于匹配的数据集中出现；

当_merge为3的时候才表示匹配成功，数据在两个数据集中同时存在。

接着我们可以直接keep if _merge==3，则可以保留匹配成功的数据，删除匹配不成功的数据。

如果我们需要进行多次merge，不要忘记将_merge变量删除。drop _merge就可以实现。

2. reclink字符串的模糊合并

use "baseinfo.dta",clear
gen id1=_n
save "baseinfo.dta",replace
use "iv.dta",clear
gen id2=_n
save "iv.dta",replace

use "baseinfo.dta",clear
reclink province using "iv.dta", idmaster(id1) idusing(id2) gen(matchscore)
list, clean noobs
drop _merge id1 id2
save "baseinfo.dta",replace

reclink 命令注意事项：

• 两份数据中 id 名必须不同。如，在上述命令中 idmaster(id1)、idusing(id2) 分别代表 master data 中的 id 和 using data 中的 id，结果第五列和第七列解读为 master data中的id1 = 1 和 using data 中的 id2 = 1 匹配成功；
• _merge 变量含义与前文类似；
• reclink 命令可解决的匹配问题：大小写不同、部分字母缺漏或增加、以及顺序颠倒；
• matchscore 变量为匹配分数，分数越高代表匹配效果越好
• 另外，reclink 命令还允许对匹配变量设定不同权重。比如，在这个例子中，我们认为 city 是最重要的，则仅需增加 vmatch() 选项设定权重。具体示例如下：

  use file1.dta,clear
  reclink name city using file2.dta, idmaster(id1) idusing(id2) gen(matchscore) wmatch(1 15)
  list, clean noobs