数据筛选理还乱，datacheck能诊断

本文作者：俞诗琪

文字编辑：朱巧利

一、温故知新

在学习datacheck命令前呢，我们一起来回顾一个系统自带命令——assert命令。这个命令想必对于大家来说不陌生，它可以帮助我们检验数据集中数据是否符合特定条件，下面用一个简单例子来说明：

这里我们采用数据集bplong，它跟踪记录了120个病人两期血压值的数据。如上图所示，变量patient、sex、agegrp、when和bp分别记录了病人编号、性别、年龄区间、测量时期以及血压值。现在我们利用assert命令，检查数据集中是否有性别误填（即sex变量值非0或1）的情况：

输出结果为空，说明数据集中sex变量值均符合“sex == 0 | sex == 1”条件，不存在sex变量值非0且非1的项。现在我们对数据集第2行稍加改动，再次检验：

结果显示r(9)的报错，240项观察值中有1项不符合要求。此时若要列出这一不合要求项，还要用到list命令。但当数据集较为复杂时，我们可直接使用datacheck命令一步搞定：

看到这你一定会问，datacheck到底是个怎样的命令呢？别着急，接下来我们将详细了解datacheck命令的用法和优势！

二、datacheck命令的语法及常用选项

首先，datacheck是个外部命令，需要通过“ssc install datacheck”进行安装。使用该命令，可以检验不符合项的存在与否，并输出、标记不符合项的内容（或不符合项及其前/后一项内容），其基本语法如下：

三、datacheck命令的用法示例

1、检验sex变量值是否误填

紧接上述筛选sex误填项的操作：

筛选出一行不符合条件“sex == 0 | sex == 1”的观察值，其sex变量取值为“3”。此时未加选项“varshow”，默认输出所有变量。当然也可在选项varshow中指定patient和sex变量，使结果更为精炼：

如果需要多次使用datacheck命令，一次性输出多个筛查结果，或其他复杂的程序运行下，使用message选项设置各筛查结果的名称，能使结果更具可读性：

如上所示，这里我们将输出内容命名为“Wrong sex”。有时，我们不仅需要查看不符合项的内容，还要观察其前一项数据，那么选项previous就可轻松解决：

相应地，使用选项next可观察不符合项及其后一项的数据：

2、筛选重度高血压患者

使用datacheck命令筛选重度高血压（变量bp值大于180）患者：

按性别分组后得到结果：

使用datacheck命令的by选项前，必须先用sort命令按分类变量（这里是sex变量）排序，否则会报错。若想在数据集上直接标出重度高血压患者，可使用flag选项，生成新变量_contra：

结果显示，符合“bp <= 180”条件的项，其_contra变量值为“0”，否则其_contra变量值为“1”，一目了然，进行后续操作时就十分方便啦！

简单地说，使用datacheck命令的目的，即筛选、输出、标记不符合项的内容（或不符合项及其前/后一项内容），其结果形式可控，且可读性强，能满足快速检验数据集数据的需求，赶紧拿小本本记下来吧！

基于贝叶斯定理的算法——朴素贝叶斯分类