无需修改输入数据，如何使用SAS的CARDS语句创建目标表格？

问题背景 #

需要基于以下未对齐的原始输入数据，用SAS的CARDS语句生成数据集，但不想修改原始数据（当前可行方法是给输入数据添加空格对齐变量位置，才能通过列输入正确读取）。

原始输入数据 #

la grande vadrouille Louis de Funès 16 1966 A V 7
le mur de l’atlantique Jean Poiret 14 1970 AB 6
le cercle rouge Alain Delon 20 1970 Z A 8
le corniaud Louis de Funès 14 1965 SD 4
le chanteur de mexico Luis Mariano 12 1956 A B 5
la traversée de Paris Jean Gabin 19 1958 S 2

当前需修改输入的可行代码 #

DATA DMExo1.Q1;
INPUT Film  $CHAR22. Acteur $15. Note 39-40 Annee 41-45 Code $ 46-49 Ordre ;
CARDS;
la grande vadrouille   Louis de Funès 16 1966 A V 7
le mur de l’atlantique Jean Poiret    14 1970 AB  6
le cercle rouge        Alain Delon    20 1970 Z A 8
le corniaud            Louis de Funès 14 1965 SD  4
le chanteur de mexico  Luis Mariano   12 1956 A B 5
la traversée de Paris  Jean Gabin     19 1958 S   2
;RUN;

解决方案：正则表达式匹配提取 #

利用SAS的正则表达式功能，直接从原始未对齐的行中匹配提取各变量，无需修改输入数据。核心思路是通过正则表达式识别行内各部分的结构（电影名、演员名、数字字段、代码字段），精准提取对应内容。

实现代码 #

DATA DMExo1.Q1;
    length Film $22 Acteur $15 Note 8 Annee 4 Code $5 Ordre 8;
    infile cards truncover;
    input @; /* 读取整行但不移动输入指针 */
    /* 编译正则表达式，匹配行内各字段结构 */
    regex = prxparse('/^(.+?) (\w+(?: \w+)*) (\d+) (\d+) (.+) (\d+)$/');
    if prxmatch(regex, _infile_) then do;
        Film = prxposn(regex, 1, _infile_);       /* 提取电影名 */
        Acteur = prxposn(regex, 2, _infile_);     /* 提取演员名 */
        Note = input(prxposn(regex, 3, _infile_), 8.); /* 提取评分，转为数值型 */
        Annee = input(prxposn(regex, 4, _infile_), 4.); /* 提取年份，转为数值型 */
        Code = prxposn(regex, 5, _infile_);       /* 提取代码 */
        Ordre = input(prxposn(regex, 6, _infile_), 8.); /* 提取序号，转为数值型 */
    end;
    drop regex; /* 删除临时变量 */
CARDS;
la grande vadrouille Louis de Funès 16 1966 A V 7
le mur de l’atlantique Jean Poiret 14 1970 AB 6
le cercle rouge Alain Delon 20 1970 Z A 8
le corniaud Louis de Funès 14 1965 SD 4
le chanteur de mexico Luis Mariano 12 1956 A B 5
la traversée de Paris Jean Gabin 19 1958 S 2
;
RUN;

代码说明 #

• input @;：读取整行内容到_INFILE_变量中，且不移动输入指针，方便后续处理整行数据。
• 正则表达式/^(.+?) (\w+(?: \w+)*) (\d+) (\d+) (.+) (\d+)$/：
  • ^(.+?)：非贪婪匹配电影名（匹配到演员名前的所有内容）
  • (\w+(?: \w+)*)：匹配演员名（支持带空格的姓名）
  • (\d+)：匹配评分（Note）和年份（Annee）的数字字段
  • (.+)：匹配代码字段（支持带空格的代码）
  • (\d+)$：匹配最后一个数字序号（Ordre）
• prxposn：从匹配结果中提取对应分组的内容，再通过input函数将数字类字段转为数值型。

替代方案：从后往前拆分字段 #

如果对正则不熟悉，也可以通过统计行内字段数量，从后往前拆分固定位置的数字字段，再处理前面的字符字段：

DATA DMExo1.Q1;
    length Film $22 Acteur $15 Note 8 Annee 4 Code $5 Ordre 8;
    array temp_fields[20] $30 _temporary_; /* 临时数组存储拆分后的所有字段 */
    infile cards truncover;
    input @;
    field_count = countw(_infile_, ' '); /* 统计当前行的字段总数 */
    /* 将整行拆分为单个字段存入临时数组 */
    do i = 1 to field_count;
        temp_fields[i] = scan(_infile_, i, ' ');
    end;
    /* 提取末尾固定位置的数值字段 */
    Ordre = input(temp_fields[field_count], 8.);
    Annee = input(temp_fields[field_count-2], 4.);
    Note = input(temp_fields[field_count-3], 8.);
    /* 根据字段总数提取代码字段 */
    if field_count = 11 then Code = catx(' ', temp_fields[9], temp_fields[10]);
    else if field_count = 10 then Code = temp_fields[9];
    else if field_count = 9 then Code = temp_fields[8];
    /* 合并前面的字段为电影名+演员名，需手动拆分（已知分界的情况） */
    Film = catx(' ', temp_fields[1], temp_fields[2], temp_fields[3]);
    Acteur = catx(' ', temp_fields[4], temp_fields[5], temp_fields[6]);
    /* 需根据每行电影名的字段数调整，示例仅适配第一行，通用场景建议用正则方案 */
    drop field_count i temp_fields:;
CARDS;
la grande vadrouille Louis de Funès 16 1966 A V 7
le mur de l’atlantique Jean Poiret 14 1970 AB 6
le cercle rouge Alain Delon 20 1970 Z A 8
le corniaud Louis de Funès 14 1965 SD 4
le chanteur de mexico Luis Mariano 12 1956 A B 5
la traversée de Paris Jean Gabin 19 1958 S 2
;
RUN;

注意：此方案需要明确电影名和演员名的字段分界，否则拆分结果可能不准确，因此正则方案更通用。

内容的提问来源于stack exchange，提问作者goupi