大数跨境
首页
>
【学习】七天搞定SAS（五）：数据操作与合并
>
0
0

【学习】七天搞定SAS（五）：数据操作与合并

【学习】七天搞定SAS（五）：数据操作与合并 CDA数据分析师
2014-06-25
2
导读：数据集操作永远是逃不掉的问题，最简单的就是两个数据集的合并——当然不是简简单单的行列添加，按照某一主键或者某



数据集操作永远是逃不掉的问题，最简单的就是两个数据集的合并——当然不是简简单单的行列添加，按照某一主键或者某些主键合并才是最常用的。在SAS中，要熟悉的就是SET这个声明，可以用改变数据集等等。

生成新变量

这里一个比较简单的例子，就是有一个现成的数据集，我们想增加一个变量。

1

2

3

4

5

6

7

8

DATA averagetrain;

SET 'c:MySASLibtrains';

PeoplePerCar = People / Cars;

RUN;

PROC PRINT DATA = averagetrain;

TITLE 'Average Number of People per Train Car';

FORMAT Time TIME5.;

RUN;

这样的结果就是增加了一个新的变量PeoplePerCar：

1

2

3

4

5

6

7

8

9

10

Average Number of People per Train Car

Obs Time Cars People PeoplePerCar

1 10:10 6 21 3.50000

2 12:15 10 56 5.60000

3 15:30 10 25 2.50000

4 11:30 8 34 4.25000

5 13:15 8 12 1.50000

6 10:45 6 13 2.16667

7 20:30 6 32 5.33333

8 23:15 6 12 2.00000

行合并

这里比较类似于R里面的rbind()函数，就是直接在尾部附上后面的数据。当SET指定了两个或多个数据集的时候，可以进行这样的操作。距离如下：

1

2

3

4

5

6

7

8

9

10

11

* Create a data set, both, combining northentrance and southentrance;

* Create a variable, AmountPaid, based on value of variable Age;

DATA both;

SET southentrance northentrance;

IF Age = . THEN AmountPaid = .;

ELSE IF Age < 3 THEN AmountPaid = 0;

ELSE IF Age < 65 THEN AmountPaid = 35;

ELSE AmountPaid = 27;

PROC PRINT DATA = both;

TITLE 'Both Entrances';

RUN;

然后结果输出为：

这里很容易看出，对于第一个数据集没有的变量LOT，会自动添加缺失值。

SET还可以进一步结合BY对数据排序：

1

2

3

4

5

6

DATA interleave;

SET northentrance southentrance;

BY PassNumber;

PROC PRINT DATA = interleave;

TITLE 'Both Entrances, By Pass Number';

RUN;

这样返回的结果就是按照PassNumber排序的了：

SAS一对一合并数据集

类似于SQL的join和R的merge，SAS也可以合并数据集。先从最简单的一对一合并说起：

1

2

3

4

5

6

7

* Merge data sets by CodeNum;

DATA chocolates;

MERGE sales descriptions;

BY CodeNum;

PROC PRINT DATA = chocolates;

TITLE ”Today's Chocolate Sales”;

RUN;

这样就可以得到按照CodeNum来合并这两个数据集了，返回结果为：

当然一对多也是可行的。

原数据为：

然后代码为：

1

2

3

4

5

6

7

8

* Perform many-to-one match merge;

DATA prices;

MERGE regular discount;

BY ExerciseType;

NewPrice = ROUND(RegularPrice - (RegularPrice * Adjustment), .01);

PROC PRINT DATA = prices;

TITLE ’Price List for May’;

RUN;

最后得到的结果就是：

有的时候我们还想把一些统计量也合并进来，比如PROC MEANS得到的那些，这样自然也是不怎么麻烦的。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

DATA shoes;

INFILE ’c:\MyRawData\Shoesales.dat’;

INPUT Style $ 1-15 ExerciseType $ Sales;

PROC SORT DATA = shoes;

BY ExerciseType;

RUN;

* Summarize sales by ExerciseType and print;

PROC MEANS NOPRINT DATA = shoes;

VAR Sales;

BY ExerciseType;

OUTPUT OUT = summarydata SUM(Sales) = Total;

PROC PRINT DATA = summarydata;

TITLE ’Summary Data Set’;

RUN;

* Merge totals with the original data set;

DATA shoesummary;

MERGE shoes summarydata;

BY ExerciseType;

Percent = Sales / Total * 100;

PROC PRINT DATA = shoesummary;

BY ExerciseType;

ID ExerciseType;

VAR Style Sales Total Percent;

TITLE ’Sales Share by Type of Exercise’;

RUN;

这里用到了OUTPUT输出统计结果到SAS数据集，这样最后结果就是：

还有一些特定的情况，可以不用MERGE而是UPDATE，这个就得稍稍小心一点了...

1

2

3

4

5

6

7

8

* Update patient data with transactions;

DATA perm.patientmaster;

UPDATE perm.patientmaster transactions;

BY Account;

PROC PRINT DATA = perm.patientmaster;

FORMAT BirthDate LastUpdate MMDDYY10.;

TITLE 'Admissions Data';

RUN;

基本就是把patientmaster这个数据集用transactions里面有的数据覆盖掉相应的记录。

SAS里面拆分数据

在读入数据的时候，SAS还可以自动按照某些条件把其拆分为两个数据集，这里需要调用OUTPUT声明。

1

2

3

4

5

6

7

8

9

10

11

12

DATA morning afternoon;

INFILE 'c:\MyRawData\Zoo.dat';

INPUT Animal $ 1-9 Class $ 11-18 Enclosure $ FeedTime $;

IF FeedTime = 'am' THEN OUTPUT morning;

ELSE IF FeedTime = 'pm' THEN OUTPUT afternoon;

ELSE IF FeedTime = 'both' THEN OUTPUT;

RUN;

PROC PRINT DATA = morning;

TITLE 'Animals with Morning Feedings';

PROC PRINT DATA = afternoon;

TITLE 'Animals with Afternoon Feedings';

RUN;

得到的就是两个数据集（虽然我们读入的只有一个...你也可以理解为生成了两个原数据集的子集）：

这里就类似于R里面的split()函数了。

还有一些数据格式比较不稳定，比如一行多条记录：

1

2

3

Jan Varsity 56723 Downtown 69831 Super-6 70025

Feb Varsity 62137 Downtown 43901 Super-6 81534

Mar Varsity 49982 Downtown 55783 Super-6 69800

这个时候就可以利用OUTPUT的操作，来逐行读取并输出：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

* Create three observations for each data line read

* using three OUTPUT statements;

DATA theaters;

INFILE 'c:\MyRawData\Movies.dat';

INPUT Month $ Location $ Tickets @;

OUTPUT;

INPUT Location $ Tickets @;

OUTPUT;

INPUT Location $ Tickets;

OUTPUT;

RUN;

PROC PRINT DATA = theaters;

TITLE 'Ticket Sales';

RUN;

最后得到的数据就相当规范了（我在想为啥SAS可以有这么多奇葩的数据输入...真折磨人啊）：

SAS里面变量选取等参数

其实DATA里面的参数还是蛮多的，除了以前提到过的KEEP,DROP，还有可以重命名的RENAME等。还有一个比较有用的可能就是IN了：

1

2

3

4

5

6

7

DATA noorders;

MERGE customer orders (IN = Recent);

BY CustomerNumber;

IF Recent = 0;

PROC PRINT DATA = noorders;

TITLE ’Customers with No Orders in the Third Quarter’;

RUN;

这样可以增加一个新的变量Recent，来记录某条记录是否被合并。

WHERE的用法也可以稍稍赘述一下：

1

2

3

4

5

6

7

8

9

10

11

*Input the data and create two subsets;

DATA tallpeaks (WHERE = (Height > 6000))

american (WHERE = (Continent CONTAINS ('America')));

INFILE 'c:\MyRawData\Mountains.dat';

INPUT Name $1-14 Continent $15-28 Height;

RUN;

PROC PRINT DATA = tallpeaks;

TITLE 'Members of the Seven Summits above 6,000 Meters';

PROC PRINT DATA = american;

TITLE 'Members of the Seven Summits in the Americas';

RUN;

这样得到的结果为：

SAS中数据的转置：TRANSPOSE

数据的转置有时候也是逃不掉的。这里就有些类似于R里面的reshape()函数了，但是肯定没有reshape2里面的melt and cast强大...我一度觉得reshape2的用法很麻烦，后来才发现原来这东西真的强大到一定程度了...

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

DATA baseball;

INFILE 'c:\MyRawData\Transpos.dat';

INPUT Team $ Player Type $ Entry;

PROC SORT DATA = baseball;

BY Team Player;

PROC PRINT DATA = baseball;

TITLE 'Baseball Data After Sorting and Before Transposing';

RUN;

* Transpose data so salary and batavg are variables;

PROC TRANSPOSE DATA = baseball OUT = flipped;

BY Team Player;

ID Type;

VAR Entry;

PROC PRINT DATA = flipped;

TITLE 'Baseball Data After Transposing';

RUN;

结果为：

SAS里面自带的变量

SAS里面有些默认自带的变量，有时候用起来还是蛮方便的，类似于R会自带一个row.names这种变量。

比如_N_就会加上行号（当然有时候也不是，呃，准确的说应该是SAS执行的循环顺序，说了SAS是一行行操作数据的嘛）：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

DATA walkers;

INFILE 'c:\MyRawData\Walk.dat';

INPUT Entry AgeGroup $ Time @@;

PROC SORT DATA = walkers;

BY Time;

* Create a new variable, Place;

DATA ordered;

SET walkers;

Place = _N_;

PROC PRINT DATA = ordered;

TITLE 'Results of Walk';

PROC SORT DATA = ordered;

BY AgeGroup Time;

* Keep the first observation in each age group;

DATA winners;

SET ordered;

BY AgeGroup;

IF FIRST.AgeGroup = 1;

PROC PRINT DATA = winners;

TITLE 'Winners in Each Age Group';

RUN;

这样得到的结果就是排序后的次序了：

类似的变量还有FIRST.variable和LST.variable，这里由于我们用到了 FIRST.AgeGroup，所以第二次输出的时候只有第一个AGE GROUP的结果。

【声明】内容源于网络
0
0
CDA数据分析师
🌸全国30万数据分析从业人员，有10万在CDA数据分析师 🌺CDA会员俱乐部有1000个数据库，成为持证人即可获得相关数据信息 🌹未来两样东西最有价值：一个是数据，一个是GPU
内容 9451
粉丝 0
CDA数据分析师 🌸全国30万数据分析从业人员，有10万在CDA数据分析师 🌺CDA会员俱乐部有1000个数据库，成为持证人即可获得相关数据信息 🌹未来两样东西最有价值：一个是数据，一个是GPU
总阅读459
粉丝0
内容9.5k