如何基于另一数据集的标签值筛选SAS数据集的行？

方法1：PROC SQL 模糊匹配连接 #

利用Dataset2的id格式（前后带+），直接通过字符串包含匹配实现筛选，无需拆分tags列，规避行内标签数量差异的问题。

代码示例：

PROC SQL;
    CREATE TABLE filtered_dataset AS
    SELECT DISTINCT d1.*
    FROM Dataset1 d1
    INNER JOIN Dataset2 d2
    ON d1.tags CONTAINS d2.id;
QUIT;

• 说明：CONTAINS会检查d1.tags字符串中是否包含d2.id的完整内容（如+2675+），DISTINCT用于去重，避免同一行因匹配多个Dataset2的id而重复输出。

方法2：DATA步哈希表高效查找 #

若Dataset1数据量较大，哈希表的查找效率远高于普通匹配，适合处理百万级以上数据集。

代码示例：

DATA filtered_dataset;
    SET Dataset1;
    /* 初始化哈希表，加载Dataset2的id列 */
    IF _N_ = 1 THEN DO;
        DECLARE HASH h (dataset:'Dataset2');
        h.defineKey('id');
        h.defineDone();
        CALL MISSING(id);
    END;

    /* 遍历tags中的每个标签，转换为带前后+的格式后查哈希表 */
    length tag_str $20; /* 根据实际标签最大长度调整 */
    do i=1 to countw(tags, '+');
        tag_str = cats('+', scan(tags, i, '+'), '+');
        if h.find(key:tag_str) = 0 then do;
            output;
            leave; /* 找到匹配就跳出循环，避免重复输出 */
        end;
    end;
    drop i tag_str;
RUN;

• 说明：
  1. 先将Dataset2的id加载到哈希表，后续单次查找时间复杂度为O(1)
  2. 用countw获取tags中的标签总数，scan逐个取出标签并拼接成带前后+的格式，再匹配哈希表
  3. 找到第一个匹配项后立即输出并终止循环，提升处理效率

方法3：宏变量生成正则匹配条件 #

若偏好DATA步的条件筛选逻辑，可将Dataset2的id拼接为宏变量，通过正则表达式实现批量匹配。

代码示例：

/* 把Dataset2的id拼接成用|分隔的字符串，存入宏变量tag_list */
PROC SQL NOPRINT;
    SELECT id INTO :tag_list SEPARATED BY '|'
    FROM Dataset2;
QUIT;

/* 用PRXMATCH执行正则匹配 */
DATA filtered_dataset;
    SET Dataset1;
    IF PRXMATCH("/(&tag_list)/", tags) THEN OUTPUT;
RUN;

• 说明：PRXMATCH会检查tags中是否包含宏变量内的任意一个id值，正则表达式中的|表示“或”逻辑。本例中id仅包含数字和+，无需转义特殊正则字符。

内容的提问来源于stack exchange，提问作者julia-sets