如何在SAS中识别空格分隔值的正则模式并拆分至多列

现有数据集 #

1. hogwarts数据集 #

生成代码：

DATA hogwarts;
INFILE DATALINES delimiter="," dsd;
LENGTH Index Wizards $ 255;
INPUT Index Wizards $ Points;
DATALINES;
1,'Harry Potter Ron Weasley',100
2,'Hermione Granger Harry Potter',200
3,'Ron Weasley',300
;
RUN;

数据集结构：

2. wizards数据集 #

生成代码：

DATA wizards;
INPUT Name $64.;
DATALINES;
Harry Potter
Ron Weasley
Hermione Granger
;
RUN;

数据集结构：

需求说明 #

匹配wizards数据集中的姓名模式，将hogwarts的Wizards列内容按出现位置拆分，生成Wizard1、Wizard2……WizardN列，输出数据集want结构如下：

核心要求：

• 拆分结果严格保留原内容中的出现顺序
• 支持匹配单/多词组合的姓名模式
• 兼容Wizards列中数量不固定的分隔空格
• 根据实际匹配结果自动调整WizardN列的数量

实现方案 #

步骤1：生成正则匹配模板 #

从wizards数据集提取所有姓名，拼接成可精准匹配完整姓名的正则模式：

DATA _null_;
    SET wizards END=last;
    RETAIN regex_pattern;
    /* 拼接姓名为正则选择分支，添加引号避免部分匹配 */
    regex_pattern = catx('|', regex_pattern, quote(trim(Name), "'"));
    IF last THEN DO;
        regex_pattern = cats('(', regex_pattern, ')');
        CALL SYMPUT('regex', regex_pattern);
    END;
RUN;

步骤2：统计最大所需列数 #

遍历hogwarts数据集，统计每行匹配到的姓名数量，确定需要生成的WizardN列的最大数量：

DATA _max_count;
    SET hogwarts NOBS=_nobs;
    /* 统计当前行匹配到的姓名总数 */
    count = prxmatch(cats('/\s*&regex\s*/', 'g'), Wizards);
    RETAIN max_count;
    max_count = max(max_count, count);
    IF _n_ = _nobs THEN CALL SYMPUT('max_col', PUT(max_count, 8.));
    STOP;
RUN;

步骤3：动态拆分并填充列 #

利用数组动态生成WizardN列，循环提取匹配的姓名并填充：

DATA want;
    SET hogwarts;
    /* 根据最大列数定义数组 */
    ARRAY Wizard[&max_col] $64.;
    LENGTH temp_str $255;
    temp_str = Wizards;
    
    DO i = 1 TO dim(Wizard);
        /* 提取当前字符串中第一个匹配的姓名 */
        Wizard[i] = prxposn(prxparse(cats('/\s*(&regex)\s*/')), 1, temp_str);
        /* 移除已提取的姓名，压缩多余空格 */
        IF NOT missing(Wizard[i]) THEN DO;
            temp_str = prxchange(cats('s/\s*', quote(trim(Wizard[i]), "'"), '\s*/ /'), 1, temp_str);
            temp_str = strip(compress(temp_str, , 's'));
        END;
    END;
    
    DROP i temp_str;
RUN;

代码说明 #

1. 正则模板：将所有姓名拼接为(姓名1|姓名2|姓名3)的形式，确保只匹配完整姓名，避免出现部分字符匹配的错误。
2. 动态列数：先统计最大匹配数量，保证生成的数组能覆盖所有行的拆分需求。
3. 顺序提取：每次提取当前字符串中第一个匹配的姓名，移除后继续处理剩余内容，严格保留原位置顺序。

内容的提问来源于stack exchange，提问作者askadum