Stata 数据合并：gvkey 补齐 6 位编码再 merge-编程实验室

温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。

作者：丁闪闪 (连享会)
邮箱：lianxhcn@163.com

Title: Stata 数据合并：gvkey 补齐 6 位编码再 merge
Keywords: Compustat, CRSP, IBES, GVKEY, merge, 数据清洗, 横向合并, 添加零字符, 字符串补零

1. 简介

在处理 Compustat、CRSP、IBES 等数据库的美股数据时，GVKEY几乎是绕不过去的主键之一。最常见的使用场景是：你在做公司层面 (firm-level)的合并，比如把财务报表数据和股票市场数据拼接起来，GVKEY往往就是关键的 merge 变量。

但实际操作时，GVKEY很容易"看起来一样，merge 却对不上"。原因通常不是数据本身错了，而是存储类型和编码格式不一致：

有些数据库里是gvkey(数值型)，例如1004
有些数据库里是GVKEY(字符型)，例如"001004"
有些数据已经是足额 6 位字符编码
有些数据是"不足六位但不补零"的写法 (比如"1004")

因此，merge 前至少要检查两件事：

(1)变量类型一致：两边都必须是 numeric 或 string，不能一边数值一边字符串
(2)补零非常关键：1004和"001004"在 merge 里是两回事

本文用一个小例子，介绍几种常用的方法，说明如何把数值型gvkey统一处理成 6 位字符串编码。

2. 数据和目标

我们先生成一份包含 5 行观测值的数据，gvkey为数值型：

clear input gvkey 201 1004 11008 123456 999999 end

我们期待最终得到的 6 位编码：

201→"000201"
1004→"001004"
11008→"011008"
123456→"123456"
999999→"999999"

目标是生成一个新变量：

变量名：GVKEY
类型：字符串str6
规则：不足 6 位，左侧补零

3. 首选方案：`tostring + format(%06.0f)`

由于gvkey是数值型变量，我们可以使用tostring命令将其转换为字符串变量，并使用format(%06.0f)来补齐 6 位编码。

tostring gvkey, gen(GVKEY) format(%06.0f) list gvkey GVKEY, clean

结果如下：

. list gvkey GVKEY, clean gvkey GVKEY 1. 201 000201 2. 1004 001004 3. 11008 011008 4. 123456 123456 5. 999999 999999

解读：

tostring gvkey：把数值型gvkey转成字符串变量
gen(GVKEY)：生成新变量名为GVKEY
format(%06.0f)：把数值按"6 位整数"输出
- %06.0f的含义是：总宽度 6 位、整数输出、小数位为 0、不足位数左侧补 0。即201被格式化为"000201"；1004被格式化为"001004"；而123456则维持原样"123456"。

4. 其他可选方案

下面的方案都能实现同样的目标。为了方便你在同一个 dofile 里多种写法一起跑，我把新变量命名为GVKEY_A,GVKEY_B, ...，避免报错覆盖。

4.1 方案 A：`string()`+ 格式`%06.0f`

gen str6 GVKEY_A = string(gvkey, "%06.0f") list gvkey GVKEY_A, clean

结果同上，不在列示。具体解释如下：

string(x, "%06.0f")：把数值变量x转为字符串，并按 6 位补零格式输出
优点是：写法像 "定义规则"，可读性很强
缺点是：需要你在gen时显式指定str6。因此，当变量长度超过 6 位时，需要手动调整str类型的长度。

4.2 方案 B：字符串拼接补零 + 取最后 6 位

这个方法常见于各种 "编码补齐" 的场景，本质是：

先把数字转字符串
左边拼 6 个 0
再截取最后 6 位

tostring gvkey, gen(gvkey_str) format(%12.0f) force gen str6 GVKEY_B = substr("000000" + gvkey_str, -6, 6) list gvkey gvkey_str GVKEY_B, clean

解释：

"000000" + gvkey_str：把 6 个 0 拼到左侧
substr(..., -6, 6)：从末尾开始，取字符串最后 6 位
优点：速度快、技巧通用；可以将"000000"替换为任意长度的补零字符串；也可以用于在字符串左侧补齐其它字符，如"xxxxxx"+gvkey_str。
缺点：可读性略差，且多一个中间变量

扩展：有些情况下我们需要在字符串右侧补齐字符，这种方法就很有用。例如：

gen str6 GVKEY_C = substr(gvkey_str + "xxxxxx", 1, 6) list gvkey gvkey_str GVKEY_C, clean

结果如下；

. list gvkey gvkey_str GVKEY_C, clean gvkey gvkey_~r GVKEY_C 1. 201 201 201xxx 2. 1004 1004 1004xx 3. 11008 11008 11008x 4. 123456 123456 123456 5. 999999 999999 999999

5. 类似场景

GVKEY的补零问题，本质上属于一类非常普遍的数据清洗任务：把"看起来像编号"的变量统一为固定长度的字符串编码。

只要你做过跨数据库合并、跨系统匹配、或者需要把编码输出到表格/图形里，类似的问题几乎一定会遇到。

下面补充一些典型场景，便于你快速形成迁移思路。

中国上市公司代码补齐 6 位 (证券代码 / 股票代码)
在 Wind、CSMAR、交易所公告、券商研报等来源之间切换时，经常出现一边是数值型4、638，另一边是字符串"000004"、"000638"。如果不补零，merge 会直接掉匹配。
行政区划代码 (6 位) 或统计地理编码 (省市县)
地理编码在不同来源里经常出现"截断/省略"的情况，例如把"440305"存为数值440305还好，但如果某些系统导出时把前导零抹掉，或者采用"省-市-县分列"的方式，就很容易造成口径不一致。涉及到空间匹配、区域合并、政策试点识别时尤其常见。
邮政编码 ZIP / Postcode (长度固定，但前导 0 极其关键)
典型例子是美国 ZIP Code：02138(Cambridge, MA) 这类邮编前面有 0。
一旦被当作数值型导入，就会变成2138，导致你按邮编 merge、分组统计、或做地理映射时出现系统性错误。