如何在SAS中拆分无分隔符的字符串为指定5个变量？

针对给定的SAS数据集，每条观测是由姓名（字母）、年龄（数字）、性别（字母）、体重（数字）、国家（字母）组成的无分隔符混合字符串，以下是几种实用拆分方法：

方法1：正则表达式捕获组提取 #

利用正则表达式的捕获组匹配固定模式的字符串，精准提取各字段：

data want;
    set have;
    retain re;
    /* 编译正则：匹配字母(姓名)+数字(年龄)+字母(性别)+数字(体重)+字母(国家)的模式 */
    if _n_ = 1 then re = prxparse('/^([A-Za-z]+)(\d+)([A-Za-z]+)(\d+)([A-Za-z]+)$/');
    
    /* 提取姓名 */
    call prxposn(re, 1, start, length);
    Name = substr(string, start, length);
    
    /* 提取年龄并转数值 */
    call prxposn(re, 2, start, length);
    Age = input(substr(string, start, length), 8.);
    
    /* 提取性别 */
    call prxposn(re, 3, start, length);
    Gender = substr(string, start, length);
    
    /* 提取体重并转数值 */
    call prxposn(re, 4, start, length);
    Weight = input(substr(string, start, length), 8.);
    
    /* 提取国家 */
    call prxposn(re, 5, start, length);
    Country = substr(string, start, length);
    
    drop re start length;
run;

方法2：遍历字符类型拆分 #

逐个判断字符是字母还是数字，根据字段类型切换提取逻辑，适合模式有变化的场景：

data want;
    set have;
    length Name Gender Country $20;
    Age Weight 8.;
    
    /* 初始化变量 */
    Name = ''; Age = .; Gender = ''; Weight = .; Country = '';
    current_step = 1; /* 1=提取姓名(字母), 2=提取年龄(数字), 3=提取性别(字母), 4=提取体重(数字), 5=提取国家(字母) */
    char_buf = ''; num_buf = '';
    
    do i = 1 to length(string);
        curr_char = substr(string, i, 1);
        if current_step in (1,3,5) then do;
            /* 当前提取字母字段 */
            if not digit(curr_char) then do;
                char_buf = catx('', char_buf, curr_char);
            end;
            else do;
                /* 遇到数字，切换到数字字段处理 */
                select(current_step);
                    when(1) Name = char_buf;
                    when(3) Gender = char_buf;
                end;
                char_buf = '';
                num_buf = catx('', num_buf, curr_char);
                current_step + 1;
            end;
        end;
        else if current_step in (2,4) then do;
            /* 当前提取数字字段 */
            if digit(curr_char) then do;
                num_buf = catx('', num_buf, curr_char);
            end;
            else do;
                /* 遇到字母，切换到字母字段处理 */
                select(current_step);
                    when(2) Age = input(num_buf, 8.);
                    when(4) Weight = input(num_buf, 8.);
                end;
                num_buf = '';
                char_buf = catx('', char_buf, curr_char);
                current_step + 1;
            end;
        end;
    end;
    /* 处理最后一段国家字段 */
    if current_step = 5 then Country = char_buf;
    
    drop i curr_char current_step char_buf num_buf;
run;

方法3：利用固定性别字符串定位拆分 #

如果性别只有Male/Female两种固定值，可以先定位性别位置，再拆分前后字段：

data want;
    set have;
    length Name Gender Country $20;
    Age Weight 8.;
    
    /* 定位性别位置和长度 */
    if find(string, 'Female') then do;
        Gender = 'Female';
        gender_pos = find(string, 'Female');
        gender_len = 6;
    end;
    else if find(string, 'Male') then do;
        Gender = 'Male';
        gender_pos = find(string, 'Male');
        gender_len = 4;
    end;
    
    /* 拆分姓名和年龄：性别之前的部分 */
    pre_gender = substr(string, 1, gender_pos - 1);
    age_start = length(pre_gender) - verify(reverse(pre_gender), '0123456789') + 2;
    Name = substr(pre_gender, 1, age_start - 1);
    Age = input(substr(pre_gender, age_start), 8.);
    
    /* 拆分体重和国家：性别之后的部分 */
    post_gender = substr(string, gender_pos + gender_len);
    weight_end = verify(post_gender, '0123456789');
    Weight = input(substr(post_gender, 1, weight_end - 1), 8.);
    Country = substr(post_gender, weight_end);
    
    drop pre_gender post_gender gender_pos gender_len age_start weight_end;
run;

内容的提问来源于stack exchange，提问作者Anvesh Reddy