{"id":9898,"date":"2026-10-14T18:02:35","date_gmt":"2026-10-14T18:02:35","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-utiliser-fonction-substr-sas-exemples\/"},"modified":"2026-10-14T18:02:35","modified_gmt":"2026-10-14T18:02:35","slug":"comment-utiliser-fonction-substr-sas-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-utiliser-fonction-substr-sas-exemples","title":{"rendered":"Comment utiliser la fonction SUBSTR dans SAS (avec exemples)"},"content":{"rendered":"

Dans le domaine de l’analyse statistique avanc\u00e9e et de la science des donn\u00e9es biom\u00e9dicales, \u00e9pid\u00e9miologiques et psychosociales, le syst\u00e8me d’analyse statistique SAS (Statistical Analysis System)<\/a> demeure une r\u00e9f\u00e9rence incontournable. Les chercheurs et analystes sont quotidiennement confront\u00e9s \u00e0 des volumes massifs d’informations h\u00e9t\u00e9rog\u00e8nes au sein desquelles les variables alphanum\u00e9riques jouent un r\u00f4le pivot. Loin de se limiter \u00e0 de simples libell\u00e9s descriptifs, les cha\u00eenes de caract\u00e8res renferment fr\u00e9quemment des structures informationnelles composites : identifiants de protocoles multicentriques, codifications hi\u00e9rarchiques de la classification internationale des maladies, horodatages d’exp\u00e9rimentations comportementales ou s\u00e9quences s\u00e9rialis\u00e9es de r\u00e9ponses psychom\u00e9triques. L’extraction pr\u00e9cise, robuste et reproductible de sous-composants textuels constitue donc le socle indispensable sur lequel repose l’ensemble de la cha\u00eene de traitement et de mod\u00e9lisation statistique.<\/p>\n

Au c\u0153ur de cette m\u00e9canique de transformation des donn\u00e9es, la fonction SUBSTR<\/strong> (pour sub-string<\/em> ou sous-cha\u00eene) s’impose comme un outil fondamental et polyvalent. Int\u00e9gr\u00e9e nativement au moteur d’ex\u00e9cution de l’\u00e9tape DATA, elle permet d’isoler avec une exactitude math\u00e9matique une s\u00e9quence de caract\u00e8res d\u00e9termin\u00e9e au sein d’une cha\u00eene h\u00f4te, ou inversement de substituer un segment textuel par un autre lorsqu’elle est mobilis\u00e9e en tant que pseudo-variable. La ma\u00eetrise exhaustive de sa syntaxe, de ses m\u00e9canismes d’\u00e9valuation interne lors de la compilation et de l’ex\u00e9cution, ainsi que de ses interactions avec le Vecteur de Donn\u00e9es du Programme (PDV, Program Data Vector)<\/a>, conditionne directement la validit\u00e9 scientifique des jeux de donn\u00e9es r\u00e9sultants. Une m\u00e9connaissance de ses subtilit\u00e9s op\u00e9ratoires expose l’analyste \u00e0 des erreurs de troncature silencieuse, \u00e0 des d\u00e9calages d’indices positionnels ou \u00e0 des avertissements critiques dans le journal d’ex\u00e9cution.<\/p>\n

Ce guide exhaustif a pour vocation d’analyser en profondeur les principes th\u00e9oriques, les modalit\u00e9s d’impl\u00e9mentation pratique et les ramifications m\u00e9thodologiques de la fonction SUBSTR<\/strong> dans l’environnement SAS. \u00c0 travers une progression didactique rigoureuse, nous examinerons les fondements de l’indexation textuelle, d\u00e9taillerons les quatre grandes m\u00e9thodes d’extraction par coordonn\u00e9es statiques ou dynamiques, explorerons l’usage bidirectionnel de la fonction pour la modification en m\u00e9moire, et \u00e9tablirons des comparaisons directes avec les fonctions connexes du syst\u00e8me. Destin\u00e9e aux biostatisticiens, m\u00e9thodologistes et ing\u00e9nieurs de donn\u00e9es soucieux de rigueur algorithmique, cette monographie fournit les cl\u00e9s conceptuelles et op\u00e9rationnelles n\u00e9cessaires pour s\u00e9curiser vos cha\u00eenes de traitement textuel au standard de la recherche empirique la plus exigeante.<\/p>\n

1. Introduction \u00e0 la fonction SUBSTR dans SAS et son importance m\u00e9thodologique<\/h2>\n

1.1 Fondements de la manipulation de cha\u00eenes de caract\u00e8res dans SAS<\/h3>\n

Dans le paradigme computationnel de SAS, les donn\u00e9es sont formellement divis\u00e9es en deux grands types primitifs : les variables num\u00e9riques et les variables caract\u00e8res. Si les premi\u00e8res font traditionnellement l’objet de calculs math\u00e9matiques et d’estimations param\u00e9triques, les secondes repr\u00e9sentent souvent l’ossature organisationnelle des bases de donn\u00e9es de recherche. Le nettoyage, l’harmonisation et la structuration des variables textuelles repr\u00e9sentent fr\u00e9quemment plus de la moiti\u00e9 du temps allou\u00e9 \u00e0 la pr\u00e9paration des donn\u00e9es (le data wrangling<\/em>). Dans les protocoles cliniques ou les vastes enqu\u00eates sociod\u00e9mographiques, les donn\u00e9es textuelles brutes pr\u00e9sentent rarement une forme directement exploitable par les proc\u00e9dures de mod\u00e9lisation telles que PROC GLM, PROC LOGISTIC ou PROC MIXED.<\/p>\n

Les variables textuelles dans SAS se caract\u00e9risent par une allocation de m\u00e9moire \u00e0 longueur fixe, d\u00e9termin\u00e9e d\u00e8s la phase de compilation de l’\u00e9tape DATA. Contrairement \u00e0 d’autres langages de programmation contemporains qui adoptent des cha\u00eenes dynamiques termin\u00e9es par un caract\u00e8re nul ou g\u00e9r\u00e9es par des pointeurs \u00e9lastiques, SAS alloue un nombre fixe d’octets \u00e0 chaque variable caract\u00e8re. Toute position non occup\u00e9e par un glyphe visible est alors automatiquement combl\u00e9e par des espaces de remplissage (d\u00e9sign\u00e9s sous le terme de trailing blanks<\/em>). Cette particularit\u00e9 architecturale impose une vigilance m\u00e9thodologique constante lors de l’application des fonctions de manipulation textuelle, car la longueur apparente d’une valeur ne correspond pas n\u00e9cessairement \u00e0 sa longueur physique en m\u00e9moire.<\/p>\n

Le catalogue de fonctions de caract\u00e8res mis \u00e0 disposition par le moteur SAS comprend des dizaines d’op\u00e9rateurs sp\u00e9cialis\u00e9s : concat\u00e9nation, recherche de motifs, suppression d’espaces et d\u00e9coupage positionnel. Au sein de cet arsenal, la fonction SUBSTR<\/strong> occupe une place cardinale. Elle constitue l’op\u00e9rateur \u00e9l\u00e9mentaire d’acc\u00e8s direct par indexation positionnelle. Alors que des fonctions comme SCAN reposent sur la d\u00e9tection de d\u00e9limiteurs variables, SUBSTR<\/strong> op\u00e8re par g\u00e9om\u00e9trie fixe ou calcul\u00e9e. Elle offre ainsi une vitesse de traitement optimale et un d\u00e9terminisme absolu, deux qualit\u00e9s indispensables lorsqu’il s’agit de garantir la tra\u00e7abilit\u00e9 int\u00e9grale des transformations au sein de pipelines analytiques certifi\u00e9s.<\/p>\n

1.2 Contexte d’application dans le traitement des donn\u00e9es de recherche<\/h3>\n

L’utilit\u00e9 empirique de la fonction SUBSTR<\/strong> se r\u00e9v\u00e8le pleinement lors de la manipulation d’identifiants de recherche complexes. Dans le cadre d’essais cliniques multicentriques standardis\u00e9s par les normes du Consortium CDISC (Clinical Data Interchange Standards Consortium)<\/a>, l’identifiant unique d’un participant (souvent nomm\u00e9 USUBJID<\/code>) r\u00e9sulte fr\u00e9quemment de la concat\u00e9nation de codes signifiants : le code du pays d’inclusion, l’identifiant du centre hospitalier, le num\u00e9ro de la cohorte d’attribution et le rang chronologique du patient au sein du centre. Par exemple, une cha\u00eene telle que \u00ab\u00a0FRA-014-COH2-0089\u00a0\u00bb condense quatre niveaux hi\u00e9rarchiques distincts. L’analyste doit \u00eatre capable d’isoler avec une certitude absolue le segment repr\u00e9sentant le centre (\u00ab\u00a0014\u00a0\u00bb) ou la cohorte (\u00ab\u00a0COH2\u00a0\u00bb) pour contr\u00f4ler d’\u00e9ventuels effets de grappe ou stratifier ses mod\u00e8les de survie.<\/p>\n

Un autre domaine d’\u00e9lection concerne le d\u00e9pouillement d’instruments psychom\u00e9triques et de questionnaires standardis\u00e9s. De nombreux syst\u00e8mes de saisie informatis\u00e9e ou dispositifs de passation de tests cognitifs exportent les r\u00e9ponses sous la forme d’un vecteur compact de caract\u00e8res continus. Une s\u00e9quence de vingt chiffres cons\u00e9cutifs sans s\u00e9parateur peut ainsi enregistrer l’int\u00e9gralit\u00e9 des r\u00e9ponses d’un sujet \u00e0 une \u00e9chelle de d\u00e9pression ou d’anxi\u00e9t\u00e9 de type Likert. La fonction SUBSTR<\/strong> permet d’it\u00e9rer \u00e0 travers cette cha\u00eene compact\u00e9e afin de ventiler chaque r\u00e9ponse dans une variable distincte, autorisant ensuite le calcul des scores composites, l’analyse factorielle confirmatoire ou l’\u00e9valuation de la coh\u00e9rence interne par le coefficient alpha de Cronbach.<\/p>\n

Enfin, la standardisation des m\u00e9tadonn\u00e9es issues d’instruments d’exp\u00e9rimentation comportementale (comme les syst\u00e8mes d’oculom\u00e9trie ou les dispositifs d’imagerie fonctionnelle) requiert souvent la dissection fine d’horodatages ou de codes d’\u00e9tat crypt\u00e9s. L’int\u00e9grit\u00e9 r\u00e9f\u00e9rentielle des bases de donn\u00e9es longitudinales d\u00e9pend de la capacit\u00e9 du statisticien \u00e0 extraire fid\u00e8lement les pr\u00e9fixes de dates ou les suffixes de version de protocole sans introduire de biais d’alignement. Dans tous ces cas d’usage, SUBSTR<\/strong> se pr\u00e9sente comme le garant de la granularit\u00e9 de l’information brute, permettant de transformer une masse textuelle monolithique en indicateurs cat\u00e9goriels ou ordinaux exploitables.<\/p>\n

1.3 Objectifs p\u00e9dagogiques et structure de l’analyse<\/h3>\n

L’objectif de cette \u00e9tude technique est de d\u00e9mystifier le fonctionnement intrins\u00e8que de la fonction SUBSTR<\/strong> et de fournir un cadre m\u00e9thodologique exhaustif pour son impl\u00e9mentation dans les environnements de production et de recherche SAS. Bien que sa syntaxe de base paraisse d’une apparente simplicit\u00e9, l’interaction entre ses arguments, les longueurs de variables et les sp\u00e9cificit\u00e9s de compilation r\u00e9serve de nombreux pi\u00e8ges aux praticiens non avertis. L’indexation bas\u00e9e sur 1 (et non sur 0 comme dans les langages d\u00e9riv\u00e9s du C ou en Python), la gestion des d\u00e9passements de limites et la modification en place constituent des dimensions techniques cruciales qui n\u00e9cessitent une clarification approfondie.<\/p>\n

Pour r\u00e9pondre \u00e0 ces enjeux, notre analyse s’articule autour d’une progression syst\u00e9matique. Apr\u00e8s avoir pos\u00e9 l’anatomie fonctionnelle et le comportement du compilateur vis-\u00e0-vis des types et longueurs de variables, nous pr\u00e9senterons de mani\u00e8re d\u00e9taill\u00e9e les quatre grandes m\u00e9thodes d’extraction textuelle : l’isolation de pr\u00e9fixes fixes, l’extraction de plages interm\u00e9diaires, le calcul dynamique d’indices pour extraire des suffixes, et l’int\u00e9gration logique dans des structures conditionnelles de segmentation. Chaque m\u00e9thode sera \u00e9tay\u00e9e par des instructions ex\u00e9cutables et contextualis\u00e9e dans des sc\u00e9narios r\u00e9alistes d’analyse de donn\u00e9es empiriques.<\/p>\n

La seconde moiti\u00e9 de ce document approfondira l’utilisation m\u00e9connue mais puissante de SUBSTR<\/strong> en tant que pseudo-variable d’affectation pour modifier directement le contenu de la m\u00e9moire tampon, avant de proc\u00e9der \u00e0 une analyse comparative avec les fonctions concurrentes (SCAN, INDEX, TRANWRD, expressions r\u00e9guli\u00e8res PRX). Nous aborderons ensuite la gestion des encodages multioctets et des jeux de caract\u00e8res internationaux, proposerons trois cas d’application concrets issus de la recherche translationnelle, et fournirons une grille diagnostique compl\u00e8te des anomalies r\u00e9pertori\u00e9es dans le journal d’ex\u00e9cution (le fameux SAS Log<\/em>), compl\u00e9t\u00e9e par des recommandations d’optimisation pour les bases de donn\u00e9es volumineuses.<\/p>\n

2. Anatomie et syntaxe fondamentale de la fonction SUBSTR<\/h2>\n

2.1 D\u00e9composition des arguments de la fonction SUBSTR(source, position, n)<\/h3>\n

L’utilisation de la fonction SUBSTR<\/strong> dans une \u00e9tape DATA repose sur une signature formelle standardis\u00e9e qui mobilise de deux \u00e0 trois arguments selon la nature de l’op\u00e9ration envisag\u00e9e :<\/p>\n

SUBSTR(source, position, <n>)<\/code><\/p>\n

Le premier argument, d\u00e9sign\u00e9 par source<\/strong>, sp\u00e9cifie la cha\u00eene de caract\u00e8res \u00e0 partir de laquelle l’extraction doit \u00eatre op\u00e9r\u00e9e. Cet argument peut \u00eatre constitu\u00e9 par le nom d’une variable caract\u00e8re pr\u00e9existante dans la table d’entr\u00e9e, une constante textuelle encadr\u00e9e par des guillemets simples ou doubles, ou encore le r\u00e9sultat renvoy\u00e9 par une autre expression ou fonction retournant une cha\u00eene (par exemple, le r\u00e9sultat d’un appel imbriqu\u00e9 \u00e0 TRIM ou CATX). Si la variable source contient une valeur num\u00e9rique, le processeur de compilation de SAS \u00e9mettra une note de conversion implicite de type num\u00e9rique vers caract\u00e8re, ce qui, bien que g\u00e9r\u00e9 automatiquement, constitue une d\u00e9viation des bonnes pratiques de programmation d\u00e9fensive.<\/p>\n

Le second argument, position<\/strong>, indique l’indice du caract\u00e8re marquant le d\u00e9but de la sous-cha\u00eene \u00e0 extraire. Il est imp\u00e9ratif de souligner que SAS utilise un syst\u00e8me d’indexation ordinal bas\u00e9 sur 1 (1-based indexing<\/em>). Par cons\u00e9quent, le premier caract\u00e8re d’une cha\u00eene se situe syst\u00e9matiquement \u00e0 la position 1, le second \u00e0 la position 2, et ainsi de suite. Cet argument doit s’\u00e9valuer \u00e0 un nombre entier strictement positif. Si la valeur de position est un nombre d\u00e9cimal, SAS tronque automatiquement la partie fractionnaire pour ne retenir que la partie enti\u00e8re. En revanche, si la position est \u00e9valu\u00e9e \u00e0 une valeur inf\u00e9rieure ou \u00e9gale \u00e0 z\u00e9ro, ou si elle d\u00e9passe strictement la longueur physique de la cha\u00eene source, le moteur SAS g\u00e9n\u00e8re un avertissement d’argument invalide dans le journal d’ex\u00e9cution.<\/p>\n

Le troisi\u00e8me argument, n<\/strong>, est un param\u00e8tre optionnel qui quantifie exactement le nombre de caract\u00e8res que l’algorithme doit collecter \u00e0 partir de l’indice de d\u00e9part. Lorsqu’il est fourni, il doit s’agir d’un entier positif repr\u00e9sentant la largeur de la fen\u00eatre d’extraction. L’omission de ce troisi\u00e8me param\u00e8tre produit un comportement par d\u00e9faut parfaitement document\u00e9 mais souvent source d’ambigu\u00eft\u00e9 : la fonction extrait l’int\u00e9gralit\u00e9 des caract\u00e8res restants, depuis la position d’ancrage sp\u00e9cifi\u00e9e jusqu’\u00e0 l’extr\u00e9mit\u00e9 physique finale de la cha\u00eene source. Cette caract\u00e9ristique s’av\u00e8re particuli\u00e8rement utile lorsque l’on souhaite capter le r\u00e9sidu textuel d’une variable sans devoir mesurer pr\u00e9alablement sa terminaison.<\/p>\n

2.2 Attribution de longueur et typage de la variable r\u00e9sultante<\/h3>\n

L’un des aspects les plus techniques et critiques de l’utilisation de SUBSTR<\/strong> r\u00e9side dans la d\u00e9termination par le compilateur de la longueur de la nouvelle variable g\u00e9n\u00e9r\u00e9e lors d’une assignation. Lors de la phase de compilation du Data Step, avant m\u00eame qu’une seule ligne d’observation ne soit lue en m\u00e9moire, SAS examine la premi\u00e8re instruction o\u00f9 appara\u00eet la nouvelle variable cible afin de dimensionner son espace m\u00e9moire dans le Vecteur de Donn\u00e9es du Programme. Si la variable r\u00e9ceptrice n’a pas fait l’objet d’une instruction explicite LENGTH<\/code> en amont, SAS applique une r\u00e8gle de d\u00e9rivation par d\u00e9faut.<\/p>\n

Par d\u00e9faut, lorsque l’on \u00e9crit nouvelle_var = SUBSTR(source_var, pos, n);<\/code>, la longueur attribu\u00e9e \u00e0 nouvelle_var<\/code> d\u00e9pend directement des sp\u00e9cifications fournies :<\/p>\n