【SAS Says·扩展篇】分析师小王初上手！ | 1. PRXMATCH ()
本集目录：
0. 小王初上手
1. 初始PRXMATCH()
2. metacharater
2.1 什么是metacharater？
2.2 例子
2.3 metacharater总结
3. 问题解决
3.1 问题重述
3.2 问题理解
3.3 解决代码
0. 小王初上手
小王毕业了，才刚刚入职，公司为他做了张名片，名片上写着：
“小王 - 数说国际零售公司 - 数据分析部 - 初级数据分析师”
刚刚毕业的小王，是一位数据分析的新手，在公司里他负责为产品部提供所需的数据，并做分析和决策的辅助。
上班第一周，他就遇到了一个问题，这天，产品部的一个妹子找他来帮忙，问题是这样的：
数据库中有一份长长的产品名单，名单中有的是产品的名字，有的是产品的编号，产品部的妹子只想要产品的编号的那些行（下图红色字体的），以做更深一步的分析。
(01)1872-8756 Body shop P1 Book B13 (05)9212-0098 PD(05)9206-4571 Shushuophone (12) 6753-5513 None here PD(12)6434-4532 P&DWashing ......（未显示完）
红色字体的编号似乎没有什么容易把握的规律：占位符不一样、也不全都是数字、有的行的括号后面还有空格等等，这怎么提取呢？
你是否在绞尽脑汁的想各种字符串函数、想各种匹配的规则，比如用substr(name,1,1) in (“(“,”P”)，这个不行，因为有的非编号的行开头也可能是P、或者PD等......
可以歇歇了，因为小王只用了1分钟不到，就把代码写好并提取出来了，我们先来看下他的代码：
a=PRXMATCH("/(dd) ?d{4}-d{4}/", name); if a GT 0 then output;
结果为：
这代码是个什么玩意儿啊？
这些看起来像乱码的东西就是正则表达式和元字符，下面，我们就从一个函数PRXMATCH()来入手，学习一下如何使用正则表达式。
1. 初识PRXMATCH()
这个函数用来定义一段字符在一句话中的位置，它的格式为：
PRXMATCH ( pattern-id or regular-expression, string )
pattern-id大家先别管，这个函数的作用就是：看regular-expression 在 string 中的位置。
举个例子：
data _null_; STRING="I love Shushuo jun"; a=PRXMATCH("/Shu/",STRING); file print; put a=; run;
结果为：
Shu在I love Shushuo jun中的位置是8。
我们来解释一下 “/Shu/”
这是一个SAS的正则表达式例子，或者说，这是Perl正则表达式的例子，因为SAS里的正则表达就是按照Perl来的。
好吧，有点绕口，您请看下面这个图：
也就是说，这个双引号是SAS的语法，但里面的内容是标准的Perl正则表达式，看到那个斜杠 / 没有？那是默认的Perl分隔符。
如果您因此认为应该去找一本Perl的书去啃一啃，那就误会我的意思了，我只是告诉你这个事实而已，您只要关注数说工作室的连载就可以弄明白正则表达式。当然拿一本Perl的书学一学也是极好的。
好了，下面我们就要重点研究一下两腿之间....哦不，两个斜杠//之间的秘密，我们可以在两个斜杠之间放置一些元字符（metacharacter），来简化一些很复杂的表达。
2. metacharacter
2.1 什么是metacharacter？
metacharacter用来简化表达某种意思，比如在word中我们都知道t代表的是制表符，那么在SAS正则表达式中也类似有：
^代表一段话的开头，
$代表一段话的结束，
s代表的是一个空格（space）
……
他们就是metacharacter。
很抽象吧？所以我才要结合这个PRAXMATCH来介绍metacharater…
2.2 例子
来看一段代码：
data _null_; string1 = "I love Shushuo jun"; string2 = "Shushuo jun loves you"; a = PRXMATCH("/^Shu/",string1); b = PRXMATCH("/^Shu/",string2); file print; put a= b=; run;
运行结果如下：
所以简单来说，PRXMATCH(“/^Shu/”,string)匹配的是string的开头：开头是Shu，那么返回1，开头不是，则返回0。
string1开头不是Shu，故a返回0，string开头是Shu，故返回1。
我们学习了 ^ 这个metacharacter，它代表开头匹配，再学习几个：
- $代表结尾匹配；
- i代表不区分大小写；
- d 匹配任何某1个以上数位
- ddd 匹配任何某3个以上数位
先对这四个元字符举例：
data _null_; string1="I love Shushuo jun"; string2="Shushuo jun loves you"; a=PRXMATCH("/jun$/",string1); b=PRXMATCH("/jun$/",string2); c=PRXMATCH("/JUN/i",string1); d=PRXMATCH("/JUN/",string1); string3="12"; string4="12a"; string5="122"; string6="1222"; e=PRXMATCH("/ddd/",string3); f=PRXMATCH("/ddd/",string4); g=PRXMATCH("/ddd/",string5); h=PRXMATCH("/ddd/",string6); file print; put a= b= c= d= e= f= g= h=; run;
运行结果为：
解释：
1）注意$和i的使用位置：”/jun$/”和”/jun/i”，一个在斜杠里，一个在外。
2）a和b中，只有a返回了jun的位置，因为string1中，jun在末尾。
3）c和d中，只有c返回了，因为JUN是大写，必须用i符号，表示不区分大小写。
4）e、f返回的是0，因为ddd要求必须至少要有3个数位。所以g、h返回的是1。
2.3 metacharater总结
我们给出一些metacharater总结，供以后使用的时候查询：
正则表达式 | String | 返回 | 不匹配（返回0） |
|---|---|---|---|
/jun/ | “Shushuo jun” | 9 | “Shushuo shuai” |
/^jun/ | “jun, I love you” | 1 | “I love you, jun” |
/jun$/ | “I love you, jun” | 13 | “jun, I Iove you” |
/jun/i | “Shushuo jUn” | 9 | “Shushuo, xiong” |
/ddd / | “111”, “123”, ”328”…) | 1 | “1256”, “87”… |
/ddd?/ | “123”, “42”…(2或3个数位)?可以让前面那一个字符可有可无 | 1 | “1”, “1a1”, “4 9”… |
/ddd / | “123”, “345454”…(>=3个数位) 可以返回前面表达式 更多任何位 | 1 | “1”, “12”… |
/ddd*/ | “123”, ”12”, “3212”…(>=2个数位)*返回前面表达式少一位或更多任何位 | 1 | “1”,”xyx”… |
/d{n}/ | {n}表示匹配前面数位的n倍{n,}表示匹配前面数位n倍以上{n,m}表示匹配前面数位n倍以上，但不超过m倍 | ||
/s.u/ | “shu”, ”s1u”, ”swwwwu”, ”s u” | 1 | “su”, “qu”… |
/[1-5]d[6-9]/ | “269”,”537”…(首位是1-5、末尾是6-9的数) | 1 | “769”,”243”… |
/(d|x)d/ | “23”, “x6”…(d|x表示数位或者字符串x)x|y表示匹配x或y | 1 | “2e”,”ty”… |
/[^a-e]/ | “r”, “t”…(除了a-e的任何字符串) | 1 | “c”,”e”… |
/D/ | “ ”, “q”, “y”…(非数位符) | 1 | “1”, ”5”… |
) | “)” 返回左括号 | ||
( | “(” 返回右括号 | ||
#//# | “//” | ||
//// |
好了，我们现在要开始解释小王是怎么解决那个产品列表的问题的了。
3. 问题解决
3.1 问题重述
再重述一遍问题文中最开始的那个问题：
下面是某超市自己的产品列表，有的是编号，有的是产品的名字，我们现在用正则表达式，将产品编号的行（红色字体的）读取到SAS数据集中。 Name (01)1872-8756 Body shop P1 Book B13 (05)9212-0098 PD(05)9206-4571 Shushuophone (12) 6753-5513 None here PD(12)6434-4532 P&DWashing ......（未显示完）
3.2 问题理解
首先我们意义理解一下，我们只要有产品编号的行，产品编号的格式为：
(XX)XXXX-XXXX
但也包括下面的情况：
1）有的编号前面有字母PD，它标志出过期的产品。
2）有的编号()后面还有一个空格，比如(12) 6753-5513。
综上所述，正则表达式应该这样“编码”：
编号 | P | D | ( | XX | ) | 空格 | XXXX | - | XXXX |
|---|---|---|---|---|---|---|---|---|---|
正则表达式 | P? | D? | ( | dd | ) | 空格? | d{4} | - | d{4} |
空格?表示这个空格有或没有，都被匹配，P?和D?也是同样道理。因此，提取出编号的正则表达式就应该为：
“/P?D?(dd) ?d{4}-d{4}/”
3.3 解决代码：
综上解释，我们给出小王的代码：
data production; input name $char20.; a=PRXMATCH("/(dd) ?d{4}-d{4}/",name); if a GT 0 then output; datalines; (01)1872-8756 Body shop P1 Book B13 (05)9212-0098 PD(05)9206-4571 Shushuophone (12) 6753-5513 None here PD(12)6434-4532 P&DWashing ; proc print noobs; title 'Production ID'; var name; run;
运行结果为：
这里为方便解释，产品名单我们就用显示出来的那几个，你可能会说：
产品名单里也许还有其他没考虑到的情况呢？你的正则表达式一定可靠吗？
肯定有没考虑到的情况，所以才有下一集啊。
