技术问询：如何从变量及SAS文件wildfire_narrative的文本中提取烧毁英亩数？

嘿，针对你要从wildfire_narrative文件的episode_narrative变量里提取烧毁英亩数的需求，我整理了两种实用的SAS实现方法，帮你搞定这个文本提取问题：

方法一：单次提取（假设每个文本段落只有一组英亩数） #

如果你的episode_narrative里每个记录只包含一组烧毁英亩数，用正则表达式配合SAS的PRXMATCH和PRXCHANGE函数就能快速提取：

data wildfire_acres;
    set wildfire_narrative;
    * 定义正则表达式：匹配带逗号的数字（或纯数字）+ 英亩的模式;
    pattern = prxparse('/(\d{1,3}(?:,\d{3})*)英亩/');
    if prxmatch(pattern, episode_narrative) then do;
        * 提取匹配到的数字+英亩字符串，再去掉“英亩”和逗号;
        acres_char = prxchange('s/(\d{1,3}(?:,\d{3})*)英亩/$1/', 1, episode_narrative);
        acres_num = input(compress(acres_char, ','), best12.); * 转成数值型变量;
    end;
    drop pattern acres_char;
run;

代码解释： #

• 正则表达式/(\d{1,3}(?:,\d{3})*)英亩/专门匹配类似10,353英亩或1234英亩的内容，括号里的部分就是我们要提取的数字部分
• PRXCHANGE用来替换掉“英亩”字样，只保留数字字符串
• compress(acres_char, ',')去掉数字里的逗号，再用input转成数值型，方便后续分析

方法二：循环提取（处理文本中有多组英亩数的情况） #

如果有的episode_narrative段落里提到了多组英亩数（比如不同阶段的烧毁面积），可以用PRXNEXT循环遍历所有匹配结果：

data wildfire_acres_multi;
    set wildfire_narrative;
    length acres_char $20;
    pattern = prxparse('/(\d{1,3}(?:,\d{3})*)英亩/');
    start = 1;
    stop = length(episode_narrative);
    * 循环查找所有匹配的英亩数;
    do while(prxnext(pattern, start, stop, episode_narrative, pos, len));
        acres_char = substr(episode_narrative, pos, len);
        acres_num = input(compress(acres_char, ',英亩'), best12.);
        output; * 每个匹配结果输出一条记录;
        start = pos + len;
    end;
    drop pattern start stop pos len acres_char;
run;

注意事项： #

• 如果文本里有“约XX英亩”“近XX英亩”这类前缀，可以把正则表达式调整为/(约|近)?(\d{1,3}(?:,\d{3})*)英亩/，按需提取前缀和数字
• 建议先抽样查看episode_narrative的文本格式，调整正则表达式的匹配规则，确保覆盖所有可能的情况

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