正则表达式？清理数据的神器

Posted 2021-05-02 Idata

其实，我是不懂正则表达式的。

大家都说，学爬虫，一定要学正则表达式。

我跑过去问我们的“攻城狮”：“哥，你给我讲讲正则表达式呗。” 他甩过来一张图：

此刻，我的内心是崩溃的。啥，这都是啥？

于是，我决定放弃治疗。

太难了太难了，不学了。

直到我拿到一份世界500强的名单，老大让我把每个企业的英文名提取出来，数据是这样的：

我的第一反应，这个数据是可以用Stata里的split来解决的，但认真看了这个数据之后，觉得使用slit来分拆会造成误伤，比如出现这种观测值：“中国人寿保险（集团）公司（CHINA LIFE INSURANCE)”，而且这个数据最奇葩的一点是左边的括号是中文格式，右边的括号是英文括号。

于是我去找“攻城狮”：哥，你给我把这个正则表达式写一下呗。

他给我甩过来一个链接：

http://tool.oschina.net/regex/（在线正则表达式测试工具）

我用在Stata里处理一下，代码是这样：

clear

set obs 1

gen v="中国人寿保险（集团）公司（CHINA LIFE INSURANCE)"

gen a=regexs(1) if regexm(v,"^(.*)\（(.*)\)")

gen b=regexs(2) if regexm(v,"^(.*)\（(.*)\)")

list a b

得到的结果：

大功告成！