从SAS中的字符串识别SSN

Question

我正在尝试使用SSN链接两个数据集。第一个数据集是干净的，所有SSN都以这样的格式表示: xxx-xx-xxxx。在第二个数据集中，SSN是一团糟。以下是该数据集中SSN的一些示例：*1234；#111 PUC；11111/123456789；TN# 123-45-6789；#123456789；PT # 123-45-6789；DOE，JOHN #1；1111111111111；123-45-6789；11-123-45-6789；123-45-6789/123-45-6788；11111/ 123456789；11111/ 123-45-6789

我想从乱七八糟的字符串中识别/提取9位数字(xxxxxxxxx或xxx-xx-xxxx)。

我使用了几个不同的SAS函数(index、substr、compress、length)来专门针对上面显示的示例，但我想知道是否有其他策略可用，因为我担心我会遗漏一些SSN，因为我的编程只针对我看到的这些更常用的格式。例如，下面的代码不仅笨拙，而且只能识别xxx-xx-xxxx格式的SSN(在初始破折号前没有破折号)：

'''
    INDEX=INDEX(SSN,'-');
    START=INDEX-3;
    IF START <0 THEN START=.;
    SSN=SUBSTR(SSN,START,11);
    SSN2=COMPRESS(SSN,' */#-_','a');
    CHECK=LENGTH(SSN2);
    IF CHECK <9 THEN SSN2=''; 
'''

任何建议都是非常感谢的。谢谢!

Answer 1

谢谢大家的帮助！使用你的建议，这对我很有效：

'''
data NEW;
   length SSN $11;
   re=prxparse('/(\d{3}-\d{2}-\d{4})|(\d{9})/');
   set OLD;
   if prxmatch(re, ORIGINAL_SSN) then
      do;
         SSN=prxposn(re, 0, ORIGINAL_SSN);
         output;
      end;
run;
'''

Answer 2

正则表达式模式/\d{3}-\d{2}-\d{4}/将检测大多数SSN。现实世界的数据可能有一些奇怪的边缘情况，其中SSN查找信息不是SSN。

在许多正则表达式中，SAS可以做的事情包括：

• filter via PRXMATCH
• via PRXCHANGE function
• modify via PRXPAREN，PRXPOSN，or PRXMATCH & SUBSTR function

更复杂的正则表达式将检测可能有效的有效构造的SSN。(从未分配过的一致性编号无效。)

来自https://secure.ssa.gov/apps10/poms.nsf/lnx/0110201035

...此外，使用以下命令标识无效的SSN：

·前三位数字(以前的区号)为"000“、"666”或900系列。

·第二组两位数(以前的组号)为“00”。

·第三组四位数(以前的序列号)为“0000”。

https://ihateregex.io/expr/ssn/非常详细地描述了复杂模式的操作：

^(?!0{3})(?!6{3})[0-8]\d{2}-?(?!0{2})\d{2}-?(?!0{4})\d{4}$

注意:我在短划线后添加了元字符?，以允许不包含短划线的SSN