标签：sas编程 正则表达式 数据挖掘 模式匹配 hash
继续《SAS编程与数据挖掘商业案例》学习笔记，本文侧重数据处理实践，包括：HASH对象、自定义format、以及功能强大的正则表达式
一：HASH对象
Hash对象又称散列表，是根据关键码值而直接进行访问的数据结构，是根据关键码值而直接进行访问的数据结构，
sas提供了两个类来处理哈希表，用于存储数据的hash和用于遍历的hiter,hash类提供了查找、添加、修改、删除等方法，hiter提供了用于定位和遍历的first、next等方法。
优点：键值的查找是在内存中进行的，有利于提高性能；
hash表可以在数据步运行时，动态的添加更新或删除观测；
hash表中可以很快的定位数据，减少查找次数；
常用方法：
definekey：定义键
Definedata:定义值
definedone：定义完成，可以载入数据
add：添加键值，如在hash表中已存在，则忽略；
replace：如果健在hash表中存在，则替换，如果不存在则添加键值
remove：清除键值对
find：查找健值，如果存在则将值写入对应变量
check：查找键值，如果存在则返回rc=0，不修改当前变量的值；
output：将hash表输出到数据集
clear：清空hash表，但并不删除对象
equal：判断两个hash类是否相等
find方法的示例：
libname chapt12 ‘f:\data_model\book_data\chapt12‘;
data results;
if _n_=0 then set chapt12.participants;
if _n_ = 1 then do;
declare hash h(dataset:‘chapt12.participants‘);
h.definekey(‘name‘);
h.definedata(‘gender‘, ‘treatment‘);
h.definedone();
end;
set chapt12.weight;
if h.find() = 0 then
output;
run;
hiter对象的引例：
data patients;
length patient_id $ 16 discharge 8;
input patient_id discharge:date9.;
datalines;
smith-4123 15mar2004
hagen-2834 23apr2004
smith-2437 15jan2004
flinn-2940 12feb2004
;
data _null_;
if _n_=0 then set patients;
declare hash ht(dataset:"patients",ordered:"ascending");
ht.definekey("patient_id");
ht.definedata("patient_id", "discharge");
ht.definedone();
declare hiter iter("ht");
rc = iter.first();
do while (rc=0);
put patient_id discharge:date9.;
rc = iter.next();
end;
run;
用declare hiter iter("ht");给hash表ht定义了一个遍历器iter，之后调用first方法将遍历器定位到hash表的第一条观测，然后使用next方法遍历hash表中的所有记录并输出。
商业实战-两个数据集的合并：
data both1(drop=rc);
declare hash plan ();
rc = plan.definekey (‘plan_id‘);
rc = plan.definedata (‘plan_desc‘);
rc = plan.definedone ();
do until (eof1) ;
set chapt12.plans end = eof1;
rc = plan.add ();
end;
do until (eof2) ;
set chapt12.members end = eof2;
call missing(plan_desc);
rc = plan.find ();
output;
end;
stop;
run;
上述程序可以简化为：
data both2;
length plan_id $3 plan_desc $20;
if _n_ = 1 then do;
declare hash h(dataset:‘chapt12.plans‘);
h.definekey(‘plan_id‘);
h.definedata(‘plan_desc‘);
h.definedone();
call missing(plan_desc);
end;
set chapt12.members;
rc=h.find();
run;
二：format
自定义format：
Proc Format;
Value $ Sex_Fmt
‘F‘=‘女‘
‘M‘=‘男‘
Other = ‘未知‘;
Value Age_Dur
Low-10="10岁以下"
11-13="11-13岁"
14-<15="14-15"
15-High="15岁以上";
Run;
应用：
Data test;
Set sashelp.class(keep=sex age);
x=put(sex,$sex_fmt);y=put(age,age_dur.);
Run;
三：正则表达式：
/.../ 一个正则表达式的起止；
| 数项之间的选择，“或”运算；
() 匹配组，标记一个子表达式的开始和结束位置；
. 除换行符以外的任意字符；
\w 任一单词字符，数字大小写字母以及下划线
\W 任一非单词字符
\s 任一空白字符，包括空格、制表符、换行符、回车符、中文全角空格等；
\S 任一非空白字符，
\d 0-9任一数字
\D 任一非数字字符
[...]
[^...]
[a-z] 从a到z
[^a-z] 不在从a到z范围内的任意字符
^ 匹配输入字符串的开始位置
$ 匹配输入字符串的结尾位置
\b 描述单词的前或后边界
\B 表示非单词边界
* 匹配0次或多次
+ 匹配一次或多次
? 匹配零次或 一次
{n} 匹配n次
{n,} 匹配n次以上
{n,m} 匹配n到m次
常用函数：
Prxparse 定义一个正则表达式
Prxmatch 返回匹配模式的首次匹配位置
Call prxsubstr 返回匹配模式在目标字符串的开始位置和长度
Prxposn 返回正则表达式子表达式对应的匹配模式值
Call prxposn 返回正则表达式子表达式对应的匹配模式和长度
Cal l prxnext 返回匹配模式在目标字符串中的多个匹配位置和长度
Prxchange 替代匹配模式的值
Call prxchange 替代匹配模式的值
eg1：
data _null_;
if _n_ = 1 then pattern_num = rxparse("/cat/");
retain pattern_num;
input string $30.;
position = rxmatch(pattern_num,string);
file print;
put pattern_num= string= position=;
datalines;
there is a cat in this line.
does not match cat
cat in the beginning
at the end, a cat
cat
;
run;
eg2：数据验证
data match_phone;
set chapt12.phone_numbers;
if _n_ = 1 then pattern = prxparse("/\(\d\d\d\) ?\d\d\d-\d{4}/");
retain pattern;
if prxmatch(pattern,phone) gt 0 then output;
run;
找出不匹配的手机号码
data unmatch_phone;
set chapt12.phone_numbers;
where not prxmatch("/\(\d\d\d\) ?\d\d\d-\d{4}/",phone);
run;
Eg3:提取匹配某种模式的字符串
data extract;
if _n_ = 1 then do;
pattern = prxparse("/\(\d\d\d\) ?\d\d\d-\d{4}/");
if missing(pattern) then do;
put "error in compiling regular expression";
stop;
end;
end;
retain pattern;
length number $ 15;
input string $char80.;
call prxsubstr(pattern,string,start,length);
if start gt 0 then do;
number = substr (string,start,length);
number = compress(number," ");
output;
end;
keep number;
datalines;
this line does not have any phone numbers on it
this line does: (123)345-4567 la di la di la
also valid (123) 999-9999
two numbers here (333)444-5555 and (800)123-4567
;
run;
eg4：提取名字
data ReversedNames;
input name & $32.;
datalines;
Jones, Fred
Kavich, Kate
Turley, Ron
Dulix, Yolanda
;
data FirstLastNames;
length first last $ 16;
keep first last;
retain re;
if _N_ = 1 then
re = prxparse(‘/(\w+), (\w+)/‘);
set ReversedNames;
if prxmatch(re, name) then
do;
last = prxposn(re, 1, name);
first = prxposn(re, 2, name);
end;
run;
注：1,2分别代表正则表达式中的两个组
eg5：提取符合规定的名字
data old;
input name $60.;
datalines;
Judith S Reaveley
Ralph F. Morgan
Jess Ennis
Carol Echols
Kelly Hansen Huff
Judith
Nick
Jones
;
data new;
length first middle last $ 40;
re1 = prxparse(‘/(\S+)\s+([^\s]+\s+)?(\S+)/o‘);
re2 = prxparse(‘/(\S+)(\s+)([^\s]+\s+)(?)(\S+)/o‘);
set old;
id1=prxmatch(re1, name);
id2=prxmatch(re2, name);
if id1 then
do;
first = prxposn(re1, 1, name);
middle = prxposn(re1, 2, name);
last = prxposn(re1, 3, name);
end;
if id2 then test=prxposn(re1, 4, name);
put test=;
run;
Eg6:返回匹配模式的多个位置
data _null_;
expressionid = prxparse(‘/[crb]at/‘);
text = ‘the woods have a bat, cat, and a rat!‘;
start = 1;
stop = length(text);
call prxnext(expressionid, start, stop, text, position, length);
do while (position > 0);
found = substr(text, position, length);
put found= position= length=;
call prxnext(expressionid, start, stop, text, position, length);
end;
run;
注：首次执行call prxnext返回一个position，然后进入循环，在抽取满足条件的子串中，再次执行all
prxnext，此时会返回下一个匹配的position；
Eg7:替换文本
data cat_and_mouse;
input text $char40.;
length new_text $ 80;
if _n_ = 1 then match = prxparse("s/[Cc]at/mouse/");
retain match;
call prxchange(match,-1,text,new_text,len,trunc,num);
if trunc then put "note: new_text was truncated";
datalines;
the Cat in the hat
there are two cat cats in this line
here is no replacement
;
run;
《SAS编程与数据挖掘商业案例》学习笔记之十九
标签：sas编程 正则表达式 数据挖掘 模式匹配 hash
原文地址：http://blog.csdn.net/goodhuajun/article/details/39893829
