stata数据清洗教程。在我们遇到数据异常的时候，应该怎么使用stata清理数据呢?本期艾思云课堂小编给大家带来了一期stata对异常数据的清洗教程，希望能帮到大家。

　　对于数据中的异常值，我们通常的处理方式有以下几种:

　　方法一:直接删除----适合缺失值数量较小，并且是随机出现的，删除它们对整体数据影响不大的情况。

　　Stata会区分缺失值：数值型变量缺失以点(.)表示，字符型变量确实以双引号("")表示，不要与空字符型变量(“ ”)搞混。

　　方法二:使用一个全局常量填充---譬如将缺失值用“Unknown”等填充，但是效果不一定好，因为算法可能会把它识别为一个新的类别，一般很少用。

　　方法三:使用均值或中位数代替----优点:不会减少样本信息，处理简单。缺点:当缺失数据不是随机数据时会产生偏差.对于正常分布的数据可以使用均值代替，如果数据是倾斜的，使用中位数可能更好。

　　方法四:插补法

　　1)随机插补法----从总体中随机抽取某个样本代替缺失样本

　　2)多重插补法----通过变量之间的关系对缺失数据进行预测，利用蒙特卡洛方法生成多个完整的数据集，在对这些数据集进行分析，最后对分析结果进行汇总处理

　　3)热平台插补----指在非缺失数据集中找到一个与缺失值所在样本相似的样本(匹配样本)，利用其中的观测值对缺失值进行插补。这样做的优点是:简单易行，准去率较高。缺点:变量数量较多时，通常很难找到与需要插补样本完全相同的样本。但我们可以按照某些变量将数据分层，在层中对缺失值实用均值插补

　　4)拉格朗日差值法和牛顿插值法(简单高效，数值分析里的内容)

　　方法五:建模法

　　可以用回归、使用贝叶斯形式化方法的基于推理的工具或决策树归纳确定。例如，利用数据集中其他数据的属性，可以构造一棵判定树，来预测缺失值的值。

　　以上方法各有优缺点，具体情况要根据实际数据分分布情况、倾斜程度、缺失值所占比例等等来选择方法。一般而言，建模法是比较常用的方法，它根据已有的值来预测缺失值，准确率更高。

　　以上就是本期艾思科蓝小编分享的关于“stata命令”的所有内容啦，如需了解更多相关信息，请点击艾思科蓝关注我们，期待我们的再会。