1. 数据导入：从Excel到Stata的三种姿势
刚拿到Excel数据的新手最常问："怎么把表格弄进Stata？"别看这步简单，选错方法可能埋下大坑。我见过有人复制粘贴漏了行，也遇到过导入后中文变乱码。下面这三种方法，总有一款适合你。
直接复制粘贴是最傻瓜式的操作，但细节决定成败。先打开Excel全选数据（Ctrl+A），注意一定要包含标题行，然后在Stata的数据编辑器点击第一个单元格，右键选择"粘贴"。这时候Stata会弹窗询问"第一行是否包含变量名"，务必勾选"是"。实测发现，如果数据包含日期格式，建议先在Excel里统一调整为"YYYY-MM-DD"格式，否则粘贴后可能变成乱码。
import excel命令更适合批量处理。假设你的文件叫"finance_data.xlsx"，放在D盘根目录，完整命令是：
import excel "D:/finance_data.xlsx", sheet("Sheet1") firstrow clear这里的firstrow表示把第一行作为变量名，clear会清空当前内存数据。有个隐藏技巧：如果表格有合并单元格，先用Excel取消合并，否则导入后会出现大量缺失值。我去年处理上市公司财务报表时就踩过这个坑。
ODBC连接适合处理超大型Excel文件（比如50万行以上）。需要先在电脑上配置数据源：
odbc load, exec("SELECT * FROM [Sheet1$]") dsn("excel_db") clear虽然设置略复杂，但处理百万级数据时速度比前两种方法快10倍不止。记得导入后立即用describe命令检查变量类型——数字可能被误判为文本，这时候要用destring var, replace强制转换。
提示：无论用哪种方法，导入后先用
browse浏览数据，重点检查：
- 中文是否显示正常
- 日期格式是否正确
- 数字是否有红色标记（表示被存为文本）
2. 变量手术刀：重命名、类型转换与生成新变量
数据刚导入时经常看到var1、var2这样的默认变量名，就像未拆封的乐高积木，需要我们先整理归类。rename命令是最简单的变量整形术：
rename 旧变量名 新变量名比如把"股票代码"从中文改成英文：
rename 股票代码 stock_code建议变量名全部使用小写英文+下划线组合，避免后续命令输入时的中英文切换麻烦。
类型转换是预处理中的高频操作。当数字显示为红色时，说明Stata把它当成了文本：
destring 变量名, replace但遇到"1,234"这样的千分位数字会报错，需要加ignore(",")选项：
destring revenue, ignore(",") replace生成新变量的generate命令能玩出各种花样。比如计算市盈率的倒数：
generate pe_inverse = 1/pe_ratio更复杂的场景可以用egen，比如按行业分组计算均值：
egen ind_avg_pe = mean(pe_ratio), by(industry)最近帮学生处理科创板数据时，就用这个命令快速生成了行业调整后的估值指标。
3. 异常值大扫除：winsorize的进阶玩法
实证分析中最怕异常值捣乱。直接删除虽然简单，但可能损失宝贵数据。我的经验法则是：样本量小于500时慎用删除法。winsor2命令（需先安装ssc install winsor2）是更优解：
winsor2 price, cuts(1 99) replace这会把price变量两端各1%的极端值替换为第1和第99百分位的值。
但真实场景往往更复杂。比如处理财务报表时，我习惯分组winsorize：
bysort year industry: winsor2 roa, cuts(1 99) replace这样每年每个行业单独处理，避免行业特性被当作异常值。有个学生曾忘记分组，结果把银行业的高杠杆率全给trim了，导致结论完全跑偏。
对于严重偏态的数据（如企业专利数量），可以试试对数化处理：
generate log_patent = log(patent+1)这个"+1"很关键，否则零值会变成缺失值。上周刚用这招处理了某互联网公司的用户行为数据。
4. 缺失值处理：从简单删除到多重填补
Stata里红色的"."就是缺失值标记。粗暴的drop if missing(var)可能让你的样本量腰斩。我通常先做缺失模式诊断：
misstable summarize misstable pattern这能看出哪些变量缺失严重，是否集中在特定年份/行业。
对于随机缺失，均值/中位数填补是最快方案：
replace assets = median(assets) if missing(assets)但做面板数据分析时，更推荐用前值填充：
bysort company_id (year): replace cash = cash[_n-1] if missing(cash)高级玩家可以尝试多重填补（MI）：
mi set wide mi register imputed revenue mi impute chained (regress) revenue = debt equity, add(5)这会对revenue变量生成5个填补版本。虽然计算耗时，但在发表级论文中越来越常见。
5. 数据合并：横向拼接与纵向堆叠
很多时候数据分散在不同文件，就像散落的拼图需要组装。横向合并（merge）适用于相同观测的不同特征：
use "financials.dta" merge 1:1 company_id year using "governance.dta"关键是要确保匹配变量（company_id和year）完全对应。合并后检查_merge变量：
tab _merge如果显示"master only"很多，说明大量样本没匹配上，可能需要检查ID编码是否一致。
纵向追加（append）用于同类数据的时间扩展：
use "data_2010_2015.dta" append using "data_2016_2020.dta"但要注意后追加的数据中，变量名和类型必须与前完全一致。有次我忘记统一"ROE"和"roe"的命名，结果生成了两个不同变量。
6. 最终检查清单：交付分析-ready数据
预处理最后阶段，我有个必做的质检流程：
变量标签：给每个变量添加说明
label variable pe_ratio "市盈率（股价/每股收益）"值标签：对分类变量编码
label define industry 1 "制造业" 2 "金融业" label values industry industry数据排序：确保面板数据格式正确
sort company_id year保存副本：
save "cleaned_data_v1.dta", replace
建议在do文件末尾加上这些检查命令：
describe summarize tab industry这能快速发现是否存在异常情况。养成好习惯，未来做稳健性检验时会感谢现在的自己。
