regex - 使用正则表达式将字符串拆分为多个变量 SAS

Question

我对 SAS 中正则表达式的使用有疑问。

我的数据集是这样的:

<表类="s-表"><头>身份证代码<正文>101K2K5K8F10F26F2102L7P13P4103L1

我希望它看起来像这样:

<表类="s-表"><头>身份证代码<正文>101K2101K5101K8101F10101F26101F2102L7102第13页102P4103L1

一开始我认为先分配新的列然后按行分配会更容易。

我的尝试如下所示:

proc ds2;
data Codes (overwrite=yes);
dcl char(16) code1 code2 code3 code4 code5 code6;
dcl double re;
keep code1 code2 code3 code4 code5 code6;
retain re;

 method init();
      dcl varchar(32) expression;
      expression = '/(\w+\d+)+/';
      re=prxparse(expression);
      if missing( re ) then do;
         put 'ERROR: Invalid expression ' expression;
         stop;
      end;
end;



method run();
      set mytable;
      code1 = 'ERROR';
      if prxmatch(re, Code) then
         do;
            code1=prxposn(re, 0, Code);
            code2=prxposn(re, 1, Code);
            code3=prxposn(re, 2, Code);
            code4=prxposn(re, 3, Code);
            code5=prxposn(re, 4, Code);
            code6=prxposn(re, 5, Code);
         end;
       else do;
           code1='0';
        end;
   end;
enddata;
run;
quit;

proc print data=Codes;
run;
quit;

然而，什么都没有改变。结果，我得到了 code1 和 code2 列，就像初始数据集中的 Code 列一样被填充。我真的很感激任何帮助，因为正则表达式不是我的强项。我还将 code1 = 'ERROR' 和后来的 code1 = '0' 放在一起，以检查代码是否有效。

需要注意的是，我创建了 code6 作为试用。我不知道每个 ID 的确切代码数。但是，我确实知道代码必须始终是一个字母与一位或两位数字的组合，它也可以采用 Z12-9 的形式(因此一个字母后跟两位数字，然后是破折号，然后是一位数字).

提前致谢!

Answer 1

回答这个正则表达式部分，你的正则表达式是错误的，我认为 prxposn 可能也是错误的。

\w 匹配数字和 alpha，因此 \w+ 将获取所有字符串。您需要使用 [A-Z] 或使用 \w+? 来使用较不积极的匹配来仅获取单个 alpha-then-numeric 集。

此外，这里正确的方法是调用prxnext，prxposn匹配正则表达式中中的每个括号匹配，所以1是第一个， 2 是第二个，但 (something)+ 只有一个括号匹配。 call prxnext 将继续查找单个匹配项的更多匹配项，您可以使用它来获取匹配位。

这里也是简单的数据步骤，但 DS2 会类似。

data want;
  set have;
  rx = prxparse('/[A-Z]+\d+/ios');
  
  start = 1;
  
  do until (pos eq 0);
    call prxnext(rx,start,length(code),code,pos,len);
    if pos gt 0 then do;
      w = substr(code,pos,len);
      put w=;
      output;
    end;
  end;
run;