Stata+Python：导入超大Excel文档的新思路-以国泰安为例

👇 连享会 · 推文导航 | www.lianxh.cn

🍎 Stata：Stata基础 | Stata绘图 | Stata程序 | Stata新命令
📘 论文：数据处理 | 结果输出 | 论文写作 | 数据分享
💹 计量：回归分析 | 交乘项-调节 | IV-GMM | 时间序列 | 面板数据 | 空间计量 | Probit-Logit | 分位数回归
⛳ 专题：SFA-DEA | 生存分析 | 爬虫 | 机器学习 | 文本分析
🔃 因果：DID | RDD | 因果推断 | 合成控制法 | PSM-Matching
🔨 工具：工具软件 | Markdown | Python-R-Stata
🎧 课程：公开课-直播 | 计量专题 | 关于连享会

连享会课程 · 基于机器学习的因果推断方法

作者：张春雷（东北财经大学）
邮箱：hzhchl@126.com

温馨提示： 文中链接在微信中无法生效。请点击底部「阅读原文」。或直接长按/扫描如下二维码，直达原文：

1. 引言
2. 新的思路和方法
3. 总结
4. 参考资料

1. 引言

在进行数据处理的过程中，使用 import excel 命令导入 Excel 文档方便且高效。但 Stata 在导入体积超过 40MB 的 Excel 文档时会报错并提示文档过大。

以 CSMAR 上市公司数据库董监高个人特征数据为例，原始 Excel 文档高达 180MB ，Stata 无法直接导入。对于该问题，网络上已有相关讨论，连享会《 Stata 数据处理：超大 Excel 文档如何读入》总结了四种处理该问题的方法并列出了优缺点。

除此之外，也可以在下载阶段就将大型数据分为若干文档以满足 Stata 导入要求。

方法	优点	缺点
1. `excelxlsxlargefile` 命令	数据规整，不易出错	速度慢，占用内存高
2. 转化为 .csv 格式	直观简单	转换慢，易出现乱码
3. 转化为 .txt 格式	直观简单	转换慢，易出现乱码
4. 直接复制粘贴	非常直观	数据损失，剪切板占用内存高，电脑易死机

2. 新的思路和方法

python 在数据处理方面效率非常高，使用 Stata + python 联合将大大提高数据读入导出的效率。该方法的突出优点是内存占用低，效率高。

Stata16 以上版本加入了 python 接口，因此只需在 Stata 命令框输入以下代码就能完成从读入到导出的全部过程。注意：请确保您的电脑已经正确安装并配置了 python 环境，可参见如下推文：(在 Stata 命令窗口中输入 lianxh Python 可以查看所有相关推文)

专题：Stata教程

Stata-Python交互-10：Stata17 新特性之PyStata的配置与应用
Stata-Python交互-9：将python数据导入Stata
Stata-Python交互-8：将Stata数据导入Python
Stata-Python交互-7：在Stata中实现机器学习-支持向量机
Stata-Python交互-6：调用APIs和JSON数据
Stata-Python交互-5：边际效应三维立体图示
Stata-Python交互-4：如何调用Python宏包
Stata-Python交互-3：如何安装Python宏包
Stata-Python交互-2：在Stata中调用Python的三种方式
Stata-Python交互-1：二者配合的基本设定

专题：Python-R-Matlab

Stata交互：Python-与-Stata-对比

在 stata 命令框中逐行输入以下代码：



    
python
import os
os.chdir(r"E:/资料/国泰安/董监高个人特征"）
import pandas as pd
df = pd.read_excel("董监高个人特征.xlsx")
print(df.head())
df[df.columns.tolist()] = df[df.columns.tolist()].astype(str)
df.to_stata(r"E:/资料/国泰安/董监高个人特征/董监高个人特征.dta",write_index=True,version=119)
end

代码解读：

import os
os.chdir(r"E:/资料/国泰安/董监高个人特征"）

切换工作路径到文件所在的文件夹

import pandas as pd
df = pd.read_excel("董监高个人特征.xlsx")

导入pandas数据处理模块并读取 Excel 文档

print(df.head())

查看表头（该行可省略）

df[df.columns.tolist()] = df[df.columns.tolist()].astype(str)

将所有列都转换为字符串格式（否则导出过程容易报错）

df.to_stata(r"E:/资料/国泰安/董监高个人特征/董监高个人特征.dta",write_index=True,version=119)

导出为 Stata 格式的 .dta 文件。

以上代码运行过程中,读取共花费 12 分钟，耗费内存 1.8GB ，输出 Stata 格式文件耗时 2 分30 秒，导出后的 .dta 文件大小为 1.7GB。

另：经测试，在 IDLE（ python 自带的集成开发环境）中，上述代码的运行时间更短，执行效率更高。

3. 总结

使用 Stata+python 不仅能满足导入大型 Excel 文档的要求，而且上述方法具有准确性高，占用内存小，效率高等特点，即使配置较差的电脑，也能使用该方法导入大型 Excel 文档。

4. 参考资料

王舒瑶，连享会推文，Stata数据处理：超大Excel文档如何读入
专题：Stata教程

Stata-Python交互-9：将python数据导入Stata
Stata-Python交互-8：将Stata数据导入Python

专题：数据处理

Stata数据处理：FRED数据导入问题的解决方案

课程推荐：因果推断实用计量方法
主讲老师：邱嘉平教授
🍓 课程主页：https://gitee.com/lianxh/YGqjp

New！ Stata 搜索神器：lianxh 和 songbl GIF 动图介绍
搜：推文、数据分享、期刊论文、重现代码 ……
👉 安装：
. ssc install lianxh
. ssc install songbl
👉 使用：
. lianxh DID 倍分法
. songbl all

🍏 关于我们

连享会 ( www.lianxh.cn，推文列表) 由中山大学连玉君老师团队创办，定期分享实证分析经验。
直通车： 👉【百度一下：连享会】即可直达连享会主页。亦可进一步添加「知乎」,「b 站」,「面板数据」,「公开课」等关键词细化搜索。