Merge 当密钥可能混合在不同的变量中时，是否有一种在Stata中合并的方法？

我试图将两个数据集以1:1的比例进行合并，这两个数据集对应于不同时期对相同个体的调查；未构造唯一标识符

收集的是电子邮件地址，尽管这些地址存储在每个数据集中的三个不同变量中。人们不一定在每一页上写相同的地址

有人知道如何或是否能做到这一点吗

clear
set more off

input str16 mai1 str16 email2   str16 email3         str16 data1
"jhon@foo.com"  "jhon@foo.com"  "jhonnie@foofoo.net" "aaaa1"
"bob@foo.net"   ""              "bob@foo.net"        "bbbb1"
end

tempfile first
save "`first'"

clear

input str16 mai1    str16 email2    str16 email3   str16 data1
""                  "bob@foo.net"   ""      ""     "bbbb2"
"jhonnie@foo.net"   ""              ""             "aaaa2"
end

---

一种开始的方法是在每个数据集中每个人的三个地址中进行选择：

如果按每个人的地址排序，则在排序之后

如果所有电子邮件地址一致，则第二个与所有电子邮件地址相同

如果两个电子邮件地址一致，则第二个将是约定的地址，因为根据字母表，这两个地址将最后排序或第一排序，但两个地址中的任何一个都将是第二个。（原理类似于3个数字的中间值：对于1、1、2或1、2、2这样的情况，如果3中有任何2个数字一致，则该数字为中间值；对于按字母数字排序的字符串也是如此。）

如果有三个电子邮件地址不一致，那么第二个也不会比其他任何一个更糟糕

如果一个电子邮件地址为空，而其他人不同意，则同样适用

如果两个电子邮件地址为空，请使用给定的电子邮件地址

如果都是空白，天知道

如果在这两个数据集中执行此操作，并且在结果中使用代码>合并1:1/代码>，则查看“<代码>合并< /代码>之后不匹配的内容，并考虑您的选项。有一个选择，从放弃不匹配的东西到尝试其他东西

clear 
input str16 mai1 str16 email2   str16 email3         str16 data1
"jhon@foo.com"  "jhon@foo.com"  "jhonnie@foofoo.net" "aaaa1"
"bob@foo.net"   ""              "bob@foo.net"        "bbbb1"
end

gen long id = _n 

rename mai1 email1 
reshape long email , i(id) j(which)
bysort id (email) : gen EMAIL = email[2]
replace EMAIL = email[3] if EMAIL == "" 

reshape wide email, i(id) j(which)

list 

     +----------------------------------------------------------------------------+
     | id         email1         email2             email3   data1          EMAIL |
     |----------------------------------------------------------------------------|
  1. |  1   jhon@foo.com   jhon@foo.com   jhonnie@foofoo.n   aaaa1   jhon@foo.com |
  2. |  2    bob@foo.net                       bob@foo.net   bbbb1    bob@foo.net |
     +----------------------------------------------------------------------------+

您可以扩展此技术，在每种情况下找到第二种猜测，最糟糕的是第三种猜测

---

在数据示例中，此技术将捕获2种情况中的1种，但仔细研究会发现第二种匹配。

一种开始的方法是在每个数据集中每个人的三个地址中进行选择：

如果按每个人的地址排序，则在排序之后

如果所有电子邮件地址一致，则第二个与所有电子邮件地址相同

如果两个电子邮件地址一致，则第二个将是约定的地址，因为根据字母表，这两个地址将最后排序或第一排序，但两个地址中的任何一个都将是第二个。（原理类似于3个数字的中间值：对于1、1、2或1、2、2这样的情况，如果3中有任何2个数字一致，则该数字为中间值；对于按字母数字排序的字符串也是如此。）

如果有三个电子邮件地址不一致，那么第二个也不会比其他任何一个更糟糕

如果一个电子邮件地址为空，而其他人不同意，则同样适用

如果两个电子邮件地址为空，请使用给定的电子邮件地址

如果都是空白，天知道

如果在这两个数据集中执行此操作，并且在结果中使用代码>合并1:1/代码>，则查看“<代码>合并< /代码>之后不匹配的内容，并考虑您的选项。有一个选择，从放弃不匹配的东西到尝试其他东西

clear 
input str16 mai1 str16 email2   str16 email3         str16 data1
"jhon@foo.com"  "jhon@foo.com"  "jhonnie@foofoo.net" "aaaa1"
"bob@foo.net"   ""              "bob@foo.net"        "bbbb1"
end

gen long id = _n 

rename mai1 email1 
reshape long email , i(id) j(which)
bysort id (email) : gen EMAIL = email[2]
replace EMAIL = email[3] if EMAIL == "" 

reshape wide email, i(id) j(which)

list 

     +----------------------------------------------------------------------------+
     | id         email1         email2             email3   data1          EMAIL |
     |----------------------------------------------------------------------------|
  1. |  1   jhon@foo.com   jhon@foo.com   jhonnie@foofoo.n   aaaa1   jhon@foo.com |
  2. |  2    bob@foo.net                       bob@foo.net   bbbb1    bob@foo.net |
     +----------------------------------------------------------------------------+

您可以扩展此技术，在每种情况下找到第二种猜测，最糟糕的是第三种猜测

---

在你的数据示例中，这种方法会抓住2个案例中的1个，但仔细研究会发现第二个匹配。

你知道为什么每个参与者在所有调查中不一定写相同的电子邮件吗？是因为打字错误还是其他原因？听起来您可能需要使用某种近似/模糊字符串匹配来确定“正确”的电子邮件，然后将其用作唯一标识符。快速搜索

近似字符串匹配stata

可以获得一些有用的资源。您好，我不知道他们为什么这么做。我的猜测是，由于这是一项在大学里进行的调查，他们可能会同时使用自己的大学和个人电子邮件，这取决于他们是否希望得到一些反馈或跟进。但这只是一个猜测。我将研究这个近似的字符串匹配，谢谢你的提示。你知道为什么每个参与者在所有调查中不一定写相同的电子邮件吗？是因为打字错误还是其他原因？听起来您可能需要使用某种近似/模糊字符串匹配来确定“正确”的电子邮件，然后将其用作唯一标识符。快速搜索

近似字符串匹配stata

可以获得一些有用的资源。您好，我不知道他们为什么这么做。我的猜测是，由于这是一项在大学里进行的调查，他们可能会同时使用自己的大学和个人电子邮件，这取决于他们是否希望得到一些反馈或跟进。但这只是一个猜测。我将研究这个近似字符串匹配，谢谢你的提示。谢谢你的回答和代码。我会尽快尝试这种方法。另一种方法是，我在考虑按顺序对两个数据集中的九种可能的组合进行1:1合并，并将不匹配的观察结果用于下一个组合。感谢您的回答和代码。我会尽快尝试这种方法。另一种方法是，我在考虑按顺序对两个数据集中的九种可能的组合进行1:1合并，并对下一个组合使用不匹配的观察值。