1. Stata 函数大全
abs(x) 绝对值 abs(-9)=9
comb(n,k) 从n中取k个的组合 comb(10,2)=45
exp(x) 指数 exp(0)=1
fill() 自动填充数据
int(x) 取整 int(5.6) = 5, int(-5.2) = -5.
ln(x) 对数 ln(1)=0
log10(x) 以10为底的对数 log10(1000)=3
mod(x,y) = x - y*int(x/y) mod(9,2)=1
round(x) 四舍五入 round(5.6)=6
sqrt(x) 开方 sqrt(16)=4
sum(x) 求和
uniform() 均匀分布随机数
invnormal(uniform()) 标准正态分布随机数
real(s) 字符型转化为数值型
string(n) 数值型转化为字符型
substr(s,n1,n2) 从S的第n1个字符开始，截取n2个字符 Substr(“this”,2,2)=is
word(s,n) 返回s的第n个字符 Work(“this”,3)=i
char(n) 返回字符的ASCII码
indexnot(s1,s2) 返回s1中第一个在s2中找不到的字母的位置，若s1所有的字母在s2中均可以找到，则返回0
例如：indexnot("12disxl","2fsd1")=4 indexnot("12disxl","2fsd1ixs")=7
indexnot("12disxl","2fsd1lixs")=0
itrim(s) 将字符间多于一个空格缩减为一个空格
例如：itrim("hello there") = "hello there"
length(s) 返回字符串s的长度
例如：length("ab") = 2
lower(s) 将s中的字母变为xiaoxie
例如：lower("THIS") = "this"
ltrim(s) 将字符串s中首字母之前的空格去掉
例如：ltrim(" this") = "this"
plural(n,s) or plural(n,s1,s2)如果n！=+/-1, plural(n,s)就是将"s"加到s后。如果s2前有"+"，表示将s2加到s1后，如果s2前为"-"，则返回s1中去掉s2 字符串后剩下的字符串。如果s2前既没有"+"也没有"-",则plural(n,s1,s2)=s2.
例如：plural(1, "horse") = "horse"
plural(2, "horse") = "horses"
plural(2, "glass", "+es") = "glasses"
plural(1, "mouse", "mice") = "mouse"
plural(2, "mouse", "mice") = "mice"
plural(2, "abcdefg", "-efg") = "abcd"
proper(s) 将首字母大写，而且将紧接着非字母字符后的字母大写，其他的字母小写
例如：proper("mR. joHn a. sMitH") = "Mr. John A. Smith"
proper("jack o'reilly") = "Jack O'Reilly"
proper("2-cent's worth") = "2-Cent'S Worth"
real(s) 将s字符串转化为数字后返回，或返回“.”
例如：real("5.2")+1 = 6.2
real("hello") = .
reverse(s) 将字符串颠倒过来
例如：reverse("hello") = "olleh"
rtrim(s) 去掉字符串末尾的空格
例如：rtrim("this ") ="this".
string(n) 将数字n转化为字符串
例如： string(4)+"F" = "4F"
string(1234567) = "1234567"
string(12345678) = "1.23e+07"
string(.) = "."
string(n,s) 将数字n转化为字符串
例如：string(4,"%9.2f") = "4.00"
string(123456789,"%11.0g") = "123456789"
string(123456789,"%13.0gc" = "123,456,789"
string(0,"%td") = "01jan1960"
string(225,"%tq") = "2016q2"
string(225,"not a format") = ""
strmatch(s1,s2) s2与s1的形式相同则返回1，否则返回0
例如：strmatch("17.4","1??4")=1 在s2中？代表此处有一个字符，*表示0或更多的字符
• strpos(s1,s2) s2在s1中第一次找到的位置，否则为0
例如：strpos("this","is") = 3
strpos("this","it") = 0
subinstr(s1,s2,s3,n) 返回s1，将s1中第n次出现s2时的s2替换成s3 ，若n为”.”,则将所有s1中的s2字符串替换成s3
例如：subinstr("this is this","is","X",1) = "thX is this"
subinstr("this is this","is","X",2) = "thX X this"
subinstr("this is this","is","X",.) = "thX X thX"
substr(s,n1,n2) 返回s1的子集，从s1中第n1个字符开始抽取，抽n2个字符
例如: substr("abcdef",2,3) = "bcd"
substr("abcdef",-3,2) = "de"
substr("abcdef",2,.) = "bcdef"
substr("abcdef",-3,.) = "def"
substr("abcdef",2,0) = ""
substr("abcdef",15,2) = ""
trim(s) 将字符串s的首字母之前和末尾的空格去掉
例如：trim(" this ") ="this"
upper(s) 将字符串s中的字母变为大写
例如：upper("this") ="THIS"
word(s,n) s中第n个单词
例如：word("glass tass a td",2)=tass
word("glass tass a td",.)=.
wordcount(s) s中单词数
例如：wordcount("glass tass a td")=4
_n 当前观察值的序号
_N 共有多少观察值
_pi π
Abs(x) x的绝对值
Acos（x） 反余弦函数
Asin(x) 反正弦函数
Atan(x) 反正切函数
atanh(x) 反双曲正切函数
ceil(x) 返回大于或等于自变量的最小的整数。
Floor(x) 返回小于或等于自变量的最大的整数
Int(x) 返回自变量的整数部分
Round(x,y) 返回与y的单位最接近的数x，x为真数，y为近似单位
例如：round(5.2,1)= round(4.8,1)=5 round(2.234,0.1)=2.2 round(2.234,0.01)=2.23
cloglog(x) 返回ln{-ln(1-x)}的值
comb(n,k) 从n中取k个的组合，即comb(n,k)=n!/{k!(n - k)!}
例如：comb(10,5)=252 comb(6,2)=15
cos(x) 余弦函数
digamma(x) 返回digamma函数值，这是lngamma(x)的一阶导数
exp(x) 指数函数
invcloglog(x) 返回invcloglog(x) = 1 - exp{-exp(x)}的值
ln(x) 自然对数函数
lnfactorial(n) 返回N阶乘的自然对数，即lnfactorial(n)= ln(n!) ，计算n！时用round(exp(lnfactorial(n)),1)函数保证得出的结果是一个整数。求n的阶乘的对数比单纯求阶乘更有用，因为存在溢出值问题。
lngamma(x) 返回.gamma函数的自然对数
log10(x) 以10为底对数函数
logit(x) 返回logit函数值 logit(x)= ln{x/(1-x)}
max(x1,x2,...,xn) 求x1, x2, ..., xn中的最大值
min(x1,x2,...,xn) 求x1, x2, ..., xn中的最小值
例如：min(1,2,3)=3
mod(x,y) 求x除以y的余数, 即mod(x,y) = x - y*int(x/y)
reldif(x,y) 返回x，y的相对差异值，reldif(x,y)= |x-y|/(|y|+1).如果x和y都是相同类型的缺失值，则返回0；如果只有一个为缺失值或x、y为不同类型的缺失值，则返回缺失值。
sign(x) 求x的符号，如果为负数，则返回-1；如果为0，则返回0；如果为正数，则返回1；如果是缺失值，则返回缺失值
sin(x) 正弦函数
sqrt(x) 求x的平方根，x只能为非负数
例如:sqrt(100)=10
sum(x) 返回x的和，将缺失值看成是0
tan(x) 正切函数
tanh(x) 双曲正切函数
trigamma(x) 返回lngamma(x)的二阶导数
trunc(x) 将数据截为特定的长度
• betaden(a,b,x) 返回β分布的概率密度，a，b为参数，如果x < 0或者 x > 1，返回0
• binomial(n,k,p) n次贝努里试验，取得成功次数小于或等于k次的概率，其中一次p为事件成功的概率 若k<0 返回1 ；若k>n 返回0
• binomialtail(n,k,p) n次贝努里试验，取得成功次数大于或等于k次的概率，其中一次p为事件成功的概率 若k<0 返回1 ；若k>n 返回0
• binormal(h,k,r) 返回自由度为n的卡方的分布，chi2(n,x) = gammap(n/2,x/2)。若x<0 ，则返回0
• chi2tail(n,x) chi2tail(n,x) = 1 - chi2(n,x)。若x<0 ，则返回1
• dgammapda(a,x) 返回gammap(a,x)分布函数关于a的偏微分，a>0. 若x<0 ，则返回0
• dgammapdada(a,x) 返回gammap(a,x)分布函数关于a的二阶偏微分，a>0. 若x<0 ，则返回0
• dgammapdadx(a,x) 返回gammap(a,x)分布函数关于a和x的二阶偏微分，a>0. 若x<0 ，则返回0
• dgammapdx(a,x) 返回gammap(a,x)分布函数关于x的偏微分，a>0. 若x<0 ，则返回0
• dgammapdxdx(a,x) 返回gammap(a,x)分布函数关于x的二阶偏微分，a>0. 若x<0 ，则返回0
• F(n1,n2,f) 返回分子自由度为n1，分母自由度为n2的F分布函数。若f<0 ，则返回0
• Fden(n1,n2,f) 分子自由度为n1，分母自由度为n2的F分布函数的概率密度函数。若f<0 ，则返回0
• gammap(a,x) gamma分布
• ibeta(a,b,x) β分布
• normal(z) 正态分布函数
• normalden(z) 标准正态分布密度函数
• tden(n,t) t分布的概率密度函数
• date(date, mask) 返回date与1960年1月1日相距的天数，其中mask的形式为“MDY”或“YMD”或“DMY”,表示date中年月日的顺序
• weekly(date, mask) 返回date与1960年1月1日相距的星期数
• monthly(date, mask) 返回date与1960年1月1日相距的月数
• quarterly(date, mask) 返回date与1960年1月1日相距的季度数
• halfyearly(date, mask) 返回date与1960年1月1日相距的星期数
• yearly(date, mask) 返回date与1960年1月1日相距有多少个半年
• clock(date, mask) 返回date与1960年1月1日相距的秒数
• mdyhms(M, D, Y, h, m, s) 从年月日，小时，分钟，秒得到stata日期时间值
• dhms(td, h, m, s) 从日期，小时，分钟，秒得到stata日期时间值
• hms(h, m, s) 从小时，分钟，秒返回一个stata日期时间值
• mdy(M, D, Y) 从月，日，年中得到一个stata日期值
• yw(Y, W) 从年，星期得到一个stata日期值，表示距1960年1月1日有多少个星期
• ym(Y, M) 从年，月得到一个stata日期值，表示距1960年1月1日有多少个月
• yq(Y, Q) 从年，季度得到一个stata日期值，表示距1960年1月1日有多少个季度
• yh(Y, H) 从年，半年得到一个stata日期值，表示距1960年1月1日有多少个半年
• year(d) 从stata日期中得到年份
• month(d) 从stata日期中得到月份
• day(d) 从stata日期中得到当前日期（一个月内的日期）
• doy(d) 从stata日期中得到当前日期（一年内的日期）
• quarter(d) 从stata日期中得到当前季度
• week(d) 从stata日期中得到当前星期
• dow(d) 从stata日期中得到当前星期几，其中 0为星期天，3为星期三
例：请算算你活了多少天？示例：一个生于1975 年12 月27 日的家伙，他活了？
.di date(“1975/12/27”,”YMD”)
2. 利用Stata进行概要统计及交互表统计
利用Stata进行概要统计及交互表统计
【命令范式】
summarize y1 y2 y3 对所列变量计算简单的概要统计量
summarize y1 y2 y3, detail 获取详细的描述性统计，包括百分位数，中位数，平均数，标准差，方差，偏度，峰度等。
summarize y1 if x1>3 & x2<.
summarize y1 [fweight=w], detail 利用w作为加权变量进行频数加权，计算y1详细的概要统计量
tabstat y1, stats(mean, sd, skewness, kurtosis) by(x1) 按变量x1的每个类别，分别计算变量y1的具体指定的概要统计量
tabulate x1, sort miss 显示x1所有值的频数分，包括缺失值。按顺序从大到小对行（变量值）进行排序。
tab1 x1 x2 x3 x4 对所列变量分别创建频数分布表
tabulate x1 x2 显示一个两变量交互表，其中x1为行变量，x2为列变量
tab2 x1 x2 x3 x4 创建所列变量的所有可能的二维交互表
tabulate x1, summ(y) 创建一个二维表，显示x1每个类别中变量y的均值、标准差及频数 tabulate x1 x3, sum(y) means 创建一个二维表，显示x1,x2每一种组合下y的均值
by x3, sort: tabulate x1 x2, exact 创建一个三维交互表，在x3的每个取值下创建x1(行)和x2（列）的分表，并为每个分表计算费舍精确检验，命令by x3, sort为x3排序
table x1 x2, contents(mean y1 median y2) 创建x1(行)，x2(列)的二维交互表，单元格包含y1的平均数和y2的中位数
svy: tab y, percent ci 使用调查加权的数据，获得变量y的一维百分比表以及95%的置信区间。ci计算置信区间，默认为95%。后可添加level(a)设定置信区间a%
与ci相关的一个命令是cii，它可以直接根据概要统计量，来计算正态分布、二项分布或泊松分布的置信区间。它并不需要原始数据。
svy: tab y x, column percent 使用调查加权的数据，获得一个行变量y对列变量x的二维交互表，并对其狡辩性进行调整的卡方检验。单元格中给出了加权的列百分比。
【探测性数据分析】：
stem x1, lines(*) 对变量x1的所有观测值进行茎叶图处理lines限定了茎叶表达形式：首位数相同的开头共*行
lv x2 字符数值表利用序次统计量来分解一个分布。
【正态性检验和数据转换】：
sktest x1 正态性检验（偏度与峰度）
ladder x1 这个命令把幂阶梯和sktest的正态性检验结合在一起。它对阶梯上的每一种幂进行尝试并报告其结果是否显着地非正态。
gladder x1 该命令将每一种转换的直方图与正态曲线加以比较
qladder x1 四分位阶梯命令
（可键入help ladder查看详细）
【频数表和二维交互表】：
tabulate 有许多对创建二维表非常有用的选项，包括：
cell 显示每个单元格的总百分比
chi2对行变量和列变量独立的假设进行皮尔逊卡方检验
column 显示每个单元格的列百分比
exact 独立性假设的费舍精确检验
expected 显示独立性假定下二维表每个单元格内的期望频数
generate(new) 创造一组名为new1, new2 等的虚拟变量来代表被列表变量的取值
lrchi2 对独立性假设的似然比卡方检验。如果表格包含任何的空单元格，就得不到结果 missing 把缺失值也作为表的一行或一列
nofreq 不显示单元格频数
nolabel 显示数值而不是添加了标签的数值变量的取值标签
row 显示每个单元格的行百分比
tabi 偶尔我们可能需要在没有获得原始数据的情况下对已发表的表格重新进行分析，专门的命令tabi（直接制表）可以完成这项工作
【多表和多维交互表】：
tab1 x1 x2 x3 x4 对所列变量分别创建频数分布表
tab2 x1 x2 x3 x4 创建所列变量的所有可能的二维交互表
by x1, sort: tabulate x2 x3, nofreq col chi2 三维列联表，并对x1每一取值水平内x2,x3的独立性进行卡方检验
by x1 x2, sort: tabulate x3 x4, column chi2 四维交互表
table x1, contents(freq) 创建x1的简单的频数分布表
table x1 x2, contents(freq) by(x3)创建一个二维频数表或交互表，并通过x3分组 table 的contents（）选项设定表格单元格要包含什么统计量
contents(freq) 频数
contents(mean x1) x1的平均数
contents(count x1) x1的非缺失值观测案例的计数
contents(p1 x1) x1的第1百分位数
【平均数、中位数以及其他概要统计量的列表】：
tabulate 能够很容易地创建分类变量每一类别的平均数和标准差的列表。比如，如果要列出x1每一类别内x2的平均值，键入：tabulate x1, sum(x2)
创建一个平均值的二维表： tabulate x1 x2, sum(x3) means
table不能进行统计检验，但它能很好地创建多达七维的包含平均数、标准差、总和等统计量的表格。
table x1, contents(mean x2) x1的一维表格，含有x1每一类别下x2的平均值
table x1 x2, contents(mean x3 median x3)
summarize, tabulate, table 以及其他相关命令都可以和标示重复观测数目的频数权数frequency weight 一起使用。
tabulate x1 x2 [fweight=count] (,column nof)
3. stata怎么把核密度图变成正态分布
Stata拥有出色的图形设备，可通过graph命令访问，help graph了解概述。统计中最常见的图表是显示点或线的双坐标轴X-Y图。这可以通过子命令twoway实现。twoway命令中又含42个子命令及绘图类型，其中最重要的是scatter和line。我们将对scatter和line着重介绍，并简要介绍其他绘图类型。
Stata 是一套提供其使用者数据分析、数据管理以及绘制专业图表的完整及整合性统计软件。它拥有很多功能，包含线性混合模型、均衡重复反复及多项式普罗比模式。用Stata绘制的统计图形相当精美。
Stata的作图模块，主要提供如下八种基本图形的制作 : 直方图（histogram），条形图（bar），百分条图 （oneway），百分圆图（pie），散点图（two way），散点图矩阵（matrix），星形图（star），分位数图。这些图形的巧妙应用，可以满足绝大多数用户的统计作图要求。在有些非绘图命令中，也提供了专门绘制某种图形的功能，如在生存分析中，提供了绘制生存曲线图，回归分析中提供了残差图等。
4. stata中怎么生成服从联合正态分布的随机变量
这是参数为 2, theta/2 的伽马分布。可以用：
1
X = gamrnd(2, o/2, 100, 1)
这样的方法来生成。o 即为 theta 的取值。
5. 不同样本量在stata中都采用什么方式检验正态分布
独立样本t检验
1.在进行独立样本T检验之前，要先对数据进行正态性检验。满足正态性才能进一步分析，不满足可以采用数据转化或非参数秩和检验；
2.在菜单栏上执行：分析-比较均数-独立样本t检验；
3.将要比较平均数的变量放到检验变量，将分组变量放到分组变量，点击定义组；
4.打开的对话框中，设置组1和组2的值分别是分组类别，然后点击继续。
6. 怎么在statas中操作高斯正态核函数
N(3,9)指的是均值为3,方差为9（标准差为3）的正态分布（也称高斯分布）；
N(3,9)分布可以通过N(0,1)分布（标准正态分布）得到.
假设X～N(0,1),则3X＋3服从N(3,9)分布.
注意3X＋3中的两个3的含义不同,第一个3表示标准差为3,第二个3表示均值为3!
Matlab中产生正态分布随机数的函数是normrnd(mu,sigma)
7. stata里可以做检验二元正态分布或三元正态分布吗
正态分布概率密度正态分布函数“NORMDIST”获取。在这里是以分组边界值为“X”来计算：Mean=AVERAGE(A:A)(数据算术平均）Standard_dev=STDEV(A:A)(数据的标准方差）Cumulative=0(概率密度函数）1.向下填充2.在直方图中增加正态分布曲线图a、在直方图内右键→选择数据→添加→b、系列名称：选中H1单元格c、系列值：选中H2:H21d、确定、确定3.修整图形a、在图表区柱形较下方选中正态分布曲线数据，（正态分布密度值和频率数值相比太小了，实在看不清，多试几次，选中后如图，同时正态分布曲线那数数据处于选中状态）。b、右键→设置数据列格式→系列绘制在→次坐标轴；关闭，如图4.更改系列图表类型a、选中正态分布柱形图→右键→更改系列图表类型b、选中“拆线图”c、确定5.平滑正态分布图选中正态分布曲线→右键→设置数据列格式→线型→勾选“平滑线”→关闭
8. 各种数据类型meta在stata中的实现
要对连续性数据进行meta分析，需要提取每篇文章的分组情况、样本量、均值、标准差。需要初步整理为如下格式，如下图所示：
对文章效应指标的选择，目前使用较多的是加权均数差（WMD）和标准均数差（SMD）。
让原始研究效应估计的精度性决定其在meta分析中的权重，消除了绝对值的大小对分析结果的影响。
WMD在STATA软件中的计算语句为：nostandard
则表示暴露组和对照组观察变量的相对大小，可以消除研究中不同测量单位带来的影响，适用于不同指标来衡量相同结果的meta分析。
SMD在STATA软件中的计算语句为：Cohen, Hedge, Glass
理论上应该先判断研究异质性的大小，再根据异质性来选择分析模型，但在实际操作中，常常先选择固定效应模型，然后计算异质性，如果异质性不接受，则再选择随机效应模型。
1)STATA 软件为 固定效应模型 提供的算法为倒方差法，实施语句为fixed。
2）STATA 软件为 随机效应模型 提供的算法为I-V heterogeneity法，实施语句为random。
打开STATA软件的数据录入界面，将之前收集好的原始数据录入，如下图所示
固定效应模型分析语句：
metan n1 mean1 sd1 n2 mean2 sd2, label(namevar=study) texts(180) fixed nostandard
随机效应模型分析语句：
metan n1 mean1 sd1 n2 mean2 sd2, label(namevar=study) texts(180) random nostandard
将语句输入STATA的命令对话框，点击回车后，命令的结果会呈现如下，并自动弹出森林图。结果如下图所示：
STATA语句：
metafunnel _ES _seES
将语句输入STATA的命令对话框，点击回车后，会自动弹出漏斗图。结果如图5所示：
完结
文章研究的结局指标是二分类变量时，频数可以用2×2的表格呈现，如图1所示：
对于文章的效应指标的选择，通常有OR值（比值比），RR值（相对危险度）和RD值（率差）。根据纳入文章的研究设计类型选择合适的分析指标。
1）数据录入：打开STATA软件中的数据录入界面，完成对纳入研究数据的录入。其中a,b,c,d分别代表二分类表中的频数，如图2所示：
分析STATA 语句：
固定效应模型：
metan a b c d, or fixed
随机效应模型：
metan a b c d, or random
将语句输入STATA的命令对话框，点击回车后，命令的结果会呈现如下，并自动弹出森林图。结果如图3所示：
首先使用的是固定效应模型，语句中lcols(study)用于在森林图中添加作者姓名和发表年份。结果显示：Q=5.1, p =0.404>0.05,表明研究间同质性较好，因为 p >0.1,I 2 <40%,故采用固定效应模型分析。最终的分析结果为 p <0.001,表明结果有统计学意义。
STATA绘制的森林图如图4所示：
3）绘制漏斗图
STATA语句：
metafunnel _ES _selogES
将语句输入STATA的命令对话框，点击回车后，会自动弹出漏斗图。结果如图5所示：
每个散点代表纳入的研究，漏斗图可以直观地提示发表偏倚。
这就是二分类数据meta初步分析操作流程。
在医学研究中，多分类数据很常见，例如血型（A型、B型、AB型和O型）。对于无序分类数据的研究，也可进行meta分析，但是 需要将多分类进行重新归纳整理成二分类的数据。 然后采用二分类数据meta分析的方法进行操作，具体过程请筒子们看看文前。
相信大家在面对临床研究中，遇到过 只有效应量和置信区间的结果数据 ，没有其他具体描述的，但是邮件又无法联系原文作者；或者该研究就是源于交叉实验的效应量、时间事件分析（HR）的研究。面对想好的idea，是不是有点抓狂？不用怕，STATA软件也可以整合这样的数据，进行meta分析，下面将向大家介绍。
以 只有HR及其置信区间 的数据为例：
1）首先，关于效应模型的选择。与前文类似。
2）数据录入：打开STATA软件的数据录入界面，将之前收集好的原始数据录入，如下图所示：
其中hr代表文章的风险比（HR）效应值，ll代表HR的95%可信区间的下限，ul代表HR的95%可信区间的上限。
3）数据分析及森林图绘制：
首先要计算HR和95%可信区间的对数值。因为在meta分析中，通常要求效应差异度量的对应样本统计量服从正态分布，效应指标是HR，则效应差异度量为HR的对数值。
STATA语句命令为：
等数据转换完成后，就可以进行meta分析了。STATA的实行语句为：
metan lnhr lnll lnul, eform label(namevar=study) texts(180) effect(HR)
将语句输入STATA的命令对话框，点击回车后，命令的结果会呈现如下，并自动弹出森林图。结果如图2所示：
其中eform代表结果从HR对数值返回HR值；label(namevar=study)则在表格和森林图中注明研究信息；texts(180)用于调整森林图中文字的大小。
结果显示：
Q=12.88, p =0.116>0.05, 表明研究间同质性较好，因为 p >0.1,I 2 =37.9%,故采用固定效应模型分析。最终的分析结果为 p =0.126>0.05,表明结果无有统计学意义。
弹出的森林图如图3所示：
9. stata怎么生成一个新变量服从标准正态分布，一个新变量服从0-1均匀分布，命令代码怎么写
normal distribution，用这个对应的随机函数即可
10. stata如何根据已有的分组数据来拟合收入的对数正态分布曲线
如果有完整数据
基本上就是所有收入数据都取log
基本上就是 x = log(y)
用 gen 命令
然后 summarize x 就可以了
如果还要更多的信息，可以用
summarize x, detail
如果只有分组数据，就要 gen x = weight*groupmean， 然后加总除以总人数得到均值\mu。
方差需要再计算 weight*(groupmean)^2 和 (\mu)^2 然后做差再除以(n-1)得到。