SAS中从杂乱字符串识别提取SSN号码的实现方法咨询

直接用SAS内置的正则匹配函数（PRX系列）实现，不需要针对各类前缀/后缀格式做定向适配，可自动覆盖所有符合规则的SSN场景，逻辑更简洁、召回率更高。

核心实现逻辑 #

我们需要匹配两类合法SSN格式，且避免从更长的连续数字中误截取9位片段：

• 带短横线分隔的标准格式：xxx-xx-xxxx
• 无分隔符的9位纯数字格式：xxxxxxxxx
  用正则规则(?<!\d)(\d{3}-?\d{2}-?\d{4})(?!\d)即可覆盖：
• (?<!\d)：前向断言，匹配位置前不能是数字，避免长数字截位
• \d{3}-?\d{2}-?\d{4}：匹配3位数字+可选短横线+2位数字+可选短横线+4位数字，同时兼容两类格式
• (?!\d)：后向断言，匹配位置后不能是数字，避免长数字截位

完整SAS代码 #

data 输出数据集名;
    set 第二个杂乱SSN的数据集名;
    retain regex_id; /* 正则ID仅编译1次，提升性能 */
    if _n_ = 1 then do;
        regex_id = prxparse('/(?<!\d)(\d{3}-?\d{2}-?\d{4})(?!\d)/');
    end;

    length standard_ssn $11; /* 标准格式SSN长度为11 */
    standard_ssn = '';

    if prxmatch(regex_id, SSN) then do;
        /* 提取匹配到的SSN原始串 */
        raw_ssn = prxposn(regex_id, 1, SSN);
        /* 去掉短横线得到9位纯数字，再重新格式化为标准xxx-xx-xxxx格式 */
        pure_num = compress(raw_ssn, '-');
        standard_ssn = catx('-', substr(pure_num,1,3), substr(pure_num,4,2), substr(pure_num,6,4));
    end;

    drop regex_id raw_ssn pure_num; /* 丢弃中间变量 */
run;

适配说明 #

• 你给出的所有示例均可正确识别：带各类前缀（TN#、PT #、数字前缀、斜杠前缀等）的SSN、带后缀的SSN都会被准确提取，无有效9位SSN的样本会返回空值
• 如果单条记录存在多个合法SSN（比如示例里的123-45-6789/123-45-6788），上述代码默认提取第一个，如需提取所有可新增循环调用prxnext函数即可
• 最终输出的standard_ssn和第一个数据集的SSN格式完全一致，可直接用于两表关联

内容的提问来源于stack exchange，提问作者Amanda Staudt