SAS技术问询：如何从字符串变量提取指定数字生成新变量

我来帮你搞定这个需求！你之前用scan函数遇到问题很正常——因为目标数字的位置不固定，按固定位置取词的方法肯定会失效。结合你已经创建的宏变量%let num=1013456,2017685,1897654，这里给你两个靠谱的实现方案：

方案一：正则表达式匹配（灵活适配位置变化） #

正则表达式可以根据数字的模式（比如3位的ser编号、7位的目标ID）来精准提取，完全不受位置影响。步骤如下：

1. 先把宏变量里的7位数字列表转成临时数据集（方便后续校验）

%let num=1013456,2017685,1897654;

/* 拆分宏变量中的逗号分隔数字，生成临时数据集 */
data num_list;
  length target_num $7;
  do i = 1 to countw("&num.", ",");
    target_num = scan("&num.", i, ",");
    output;
  end;
run;

2. 处理原始数据集，提取ser编号和对应7位数字，生成目标格式的新变量
   假设你的原始数据集叫raw_data，存储文本的变量叫text：

data final_output;
  set raw_data;
  length ser_num $3 target_num $7 new_var $50;
  
  /* 匹配并提取ser后面的3位编号 */
  rx_ser = prxparse('/ser\s+\w+\s+(\d{3})/');
  if prxmatch(rx_ser, text) then do;
    ser_num = prxposn(rx_ser, 1, text);
  end;
  
  /* 在文本中查找属于目标列表的7位数字 */
  rx_target = prxparse('/(\d{7})/');
  start_pos = 1;
  do while(prxmatch(rx_target, text, start_pos));
    current_num = prxposn(rx_target, 1, text);
    /* 检查当前数字是否在宏变量的目标列表里 */
    if current_num in ("&num.") then do;
      target_num = current_num;
      leave; /* 找到匹配项就退出循环，避免重复匹配 */
    end;
    /* 更新起始位置，继续查找下一个7位数字 */
    start_pos = prxposn(rx_target, 0, text) + length(prxposn(rx_target, 0, text));
  end;
  
  /* 生成你需要的格式字符串 */
  new_var = catx(' ', 'ser', 'number', ser_num, target_num);
  
  /* 保留需要的变量 */
  keep ser_num target_num new_var;
run;

方案二：Proc SQL关联匹配（简洁高效） #

如果你的每条原始文本里只会出现一个目标7位数字，可以用Proc SQL直接关联原始数据集和目标数字列表，代码更简洁：

%let num=1013456,2017685,1897654;

/* 先拆分宏变量到临时数据集 */
data num_list;
  length target_num $7;
  do i = 1 to countw("&num.", ",");
    target_num = scan("&num.", i, ",");
    output;
  end;
run;

/* 关联提取并生成目标变量 */
proc sql;
  create table final_output as
  select
    /* 提取ser后面的3位编号 */
    prxposn(prxparse('/ser\s+\w+\s+(\d{3})/'), 1, text) as ser_num $3,
    target_num,
    /* 拼接成你需要的格式 */
    catx(' ', 'ser', 'number', calculated ser_num, target_num) as new_var
  from raw_data, num_list
  /* 筛选出文本包含当前目标数字的记录 */
  where index(text, target_num) > 0;
quit;

为什么scan函数不好用？ #

scan是按分隔符和位置取词的，比如scan(text, 3)取第3个词，但你的数字位置不固定（有时是第5个，有时是第4个），一旦文本结构变化就会提取错误。而正则表达式是按内容模式匹配，不管位置在哪，只要符合“ser后面跟3位数字”“7位数字”的模式就能精准提取。

内容的提问来源于stack exchange，提问作者ckp