Lesson 2 数据集的管理
1 纵向合并与横向合并
| 纵向合并 |
横向合并 |
| 增加个案数 |
增加变量数 |
| set |
merge |
| 纵向合并可能需要考虑个案的来源 |
横向合并可能需要考虑到：索引变量匹配、存在缺失变量时筛选变量齐全的个案 |
data s1;
input id gender age;
cards;
1 1 12
2 1 24
3 2 13
;
proc print;
run;
data s2;
input id gender age;
cards;
4 1 15
5 2 22
6 1 20
;
proc print;
run;
data s;
set s1(in= a1) s2(in=a2); /*set将s1与s2纵向合并，即增加个案数；数据集选项in=a1表示对于s1数据集的a1参数为1，同理s2数据集的a2参数为1，标记数据来源 */
by id; /*by表示排序依据，默认为升序，在变量前加descending表示降序*/
c1=a1; /*a1为临时变量，故将其赋值到c1中*/
c2=a2;
proc print;
run;
s1
| Obs |
id |
gender |
age |
| 1 |
1 |
1 |
12 |
| 2 |
2 |
1 |
24 |
| 3 |
3 |
2 |
13 |
s2
| Obs |
id |
gender |
age |
| 1 |
4 |
1 |
15 |
| 2 |
5 |
2 |
22 |
| 3 |
6 |
1 |
20 |
s
| Obs |
id |
gender |
age |
c1 |
c2 |
| 1 |
1 |
1 |
12 |
1 |
0 |
| 2 |
2 |
1 |
24 |
1 |
0 |
| 3 |
3 |
2 |
13 |
1 |
0 |
| 4 |
4 |
1 |
15 |
0 |
1 |
| 5 |
5 |
2 |
22 |
0 |
1 |
| 6 |
6 |
1 |
20 |
0 |
1 |
data m1;
input id gender;
cards;
1 1
2 1
3 2
4 1
5 2
6 1
;
data m2;
input id age;
cards;
1 12
2 24
3 13
4 15
5 22
6 20
data m;
merge m1(in=a1) m2(in=a2);
by id; /*by表示索引变量为id*/
c1=a1;
c2=a2;
if c1=1 and c2=1; /*if条件语句用于判断个案是否包含来自m1和m2的数据，从而筛选保留数据来源齐全的个案*/
proc print;
run;
m1
| Obs |
id |
gender |
| 1 |
1 |
1 |
| 2 |
2 |
1 |
| 3 |
3 |
2 |
| 4 |
4 |
1 |
| 5 |
5 |
2 |
| 6 |
6 |
1 |
m2
| Obs |
id |
age |
| 1 |
1 |
12 |
| 2 |
2 |
24 |
| 3 |
3 |
13 |
| 4 |
4 |
15 |
| 5 |
5 |
22 |
| 6 |
6 |
20 |
m
| Obs |
id |
gender |
age |
c1 |
c2 |
| 1 |
1 |
1 |
12 |
1 |
1 |
| 2 |
2 |
1 |
24 |
1 |
1 |
| 3 |
3 |
2 |
13 |
1 |
1 |
| 4 |
4 |
1 |
15 |
1 |
1 |
| 5 |
5 |
2 |
22 |
1 |
1 |
| 6 |
6 |
1 |
20 |
1 |
1 |
if <条件（表达式）> then delete;
input m1(where= a1);
2 拆分为若干个子集
对观测个案的选择 if/where firstobs/obs
(1) 条件：if语句、where （选项 或者 语句）
/*if语句的写法*/
if 表达式 then 表达式;
else 表达式;
/*if语句的另一种写法*/
if 表达式;
/*where语句的写法*/
set cf0;
where gender="m" and age>40;
/*where选项*/
set cf0(where=(gender="m" and age>40));
data cf0;
input id gender$ age;
cards;
1 f 21
2 m 15
3 f 34
4 f 25
5 m 42
6 m 50
;
data cf1;
<条件语句>
proc print ;
run;
/*第一种：if语句*/
set cf0;
if gender="m" and age>40;
/*第二种：where语句*/
set cf0;
where gender="m" and age>40;
/*where选项*/
set cf0(where=(gender="m" and age>40));
(2) obs与firstobs（数据集选项）
| obs |
firstobs |
| 末位obs（包含） |
起始obs（包含） |
/*选择观测1-5*/
data pop;
do id=1 to 10;
output;
end;
;
data sam;
set pop(obs=5);
proc print;
run;
/*选择观测3-7*/
data pop;
do id=1 to 10;
output;
end;
;
data sam;
set pop(firstobs=3 obs=7);
proc print;
run;
/*选择观测6-10*/
data pop;
do id=1 to 10;
output;
end;
;
data sam;
set pop(firstobs=6);
proc print;
run;
对变量选择 drop keep
drop 与keep（数据集选项 或者 语句）
/*用作选项*/set 数据集(drop=变量);
/*用作语句*/drop 变量;
/*用作选项*/set 数据集(keep=变量);
/*用作语句*/keep 变量;
/*数据ht包含8个变量*/
data ht;
input id name$ gender age date1: yymmdd9. height1 date2: yymmdd9. height2;
format date1 date2 yymmdd10.;
cards;
1 LVJI 1 15 20110401 151 20120401 155
2 LXJU 2 16 20110401 153 20120402 155
3 LYJI 2 15 20110402 160 20120403 163
4 WAJI 2 17 20110401 149 20120401 154
5 JHYU 1 16 20110402 162 20120402 166
;
/*删除变量gender*/
/*方法一*/
data ht1;
set ht;
drop gender;
proc print;
/*方法二*/
data ht1x;
set ht(drop=gender);
proc print;
/*保留变量id与name*/
/*方法一*/
data ht2;
set ht;
proc print;
/*方法二*/
data ht2x;
set ht(keep=id name);
proc print;
run;
3 排序proc sort
proc sort <out= 数据集名> <nodupkey> <nouniquekey>;
by <descending> 变量1 变量2 ...;
run;
排序处理在过程步（proc）。proc sort语句调用排序过程。
| 选项 |
含义 |
| <out=数据集> |
指定排序后的数据集名。因为排序后数据发生了变化，因此可指定该选项将排序后的数据存放到一个新的数据集中。如果不加该选项，排序后的数据集将覆盖原有数据集，这样你就找不回原有的未排序的数据了。 |
| <nodupkey
|
表示如果by语句指定的排序变量有重复值，则删除重复值（保留唯一值）。如按id排序，如果id有重复值，则只保留重复值中的第一个值，删除其它值。 |
| <nouniquekey> |
跟nodupkey正好相反，用于删除唯一值（保留重复值）如果by语句指定的排序变量都是唯一值，则将其删除。如按id排序，如果id没有有重复值，则全部删除。 |
| 搭配语句 |
含义 |
| by... < descending > |
指定排序的变量，可以指定多个。选项< descending >表示按降序排序，如果不加该选项，默认的是按升序排序。 |
(1) 排序
/*数据集ht包含5名学生的编号、姓名、性别、年龄、身高、日期*/
data ht;
input id name$ gender age date: yymmdd9. height;
format date yymmdd10.;
cards;
1 LVJI 1 15 20110401 151
2 LXJU 2 . 20110401 153
3 LYJI 2 15 20110402 160
4 WAJI 2 17 20110401 149
5 JHYU 1 16 20110402 162
;
proc sort out=ht_height;
by date descending age;
proc print data=ht_height;
run;
(2) 查找重复值
data dup;
input name$ gender age;
cards;
Tony 1 31
Sam 1 30
Frank 2 29
Larry 1 29
Frank 2 29
Sam 2 30
;
[1]仅保留不重复值 nodupkey
注意重复值中仅保留第一个个案
proc sort out=norep nodupkey;
by name;
proc print data=norep;
run;
[2]仅保留重复值 nouniquekey
proc sort out=rep nouniquekey;
by name;
proc print data=rep;
4 转置 proc transpose
proc transpose <out=数据集> <name=第一列的变量名> <prefix=前缀名>;
by <descending> 变量1 <descending> 变量2 ……;
id 变量1 变量2 ……;
var 变量1 变量2 ……;
run;
proc transpose语句调用转置命令。
注意选项name、prefix 和 id语句的用法的鉴别
| 选项 |
含义 |
| <out=数据集> |
表示将转置后的数据输出到指定的数据集中；数据转置后，原来的变量名会变为转置后的变量值 |
| <name=变量名> |
为转置后的第一列变量起名，如果忽略该选项，默认名为NAME
|
| <prefix=前缀名> |
表示为转置后的第二列及以后列变量统一加前缀名，前缀名后为1/2/3/4/... |
| 搭配语句 |
含义 |
| by语句 |
指定一个或多个变量，在每一变量内部进行转置，by语句指定的变量不进行转置。 |
| id语句 |
指定转置前数据集中的一个变量，将其值作为转置后的第二列及以后列变量名。省略该语句时，默认转置后的变量名依次为NAME、COL1、COL2、COL3、……。 |
data vas;
input name$ id group vas1-vas3;
cards;
LIXM 1 1 5 5 6
ZHMI 2 2 8 5 5
FEND 3 2 7 4 5
LIMZ 4 1 6 6 3
WAXF 5 2 6 7 5
DOCX 6 1 6 5 5
;
| Obs |
name |
id |
group |
vas1 |
vas2 |
vas3 |
| 1 |
LIXM |
1 |
1 |
5 |
5 |
6 |
| 2 |
ZHMI |
2 |
2 |
8 |
5 |
5 |
| 3 |
FEND |
3 |
2 |
7 |
4 |
5 |
| 4 |
LIMZ |
4 |
1 |
6 |
6 |
3 |
| 5 |
WAXF |
5 |
2 |
6 |
7 |
5 |
| 6 |
DOCX |
6 |
1 |
6 |
5 |
5 |
单纯转置
proc transpose;
proc print;
run;
转置后
| Obs |
NAME |
COL1 |
COL2 |
COL3 |
COL4 |
COL5 |
COL6 |
| 1 |
id |
1 |
2 |
3 |
4 |
5 |
6 |
| 2 |
group |
1 |
2 |
2 |
1 |
2 |
1 |
| 3 |
vas1 |
5 |
8 |
7 |
6 |
6 |
6 |
| 4 |
vas2 |
5 |
5 |
4 |
6 |
7 |
5 |
| 5 |
vas3 |
6 |
5 |
5 |
3 |
5 |
5 |
proc transpose只对数值型变量转置，不转置字符型变量；
原数据集中的变量名转置后成为变量值，命名为NAME；
原数据集中的每一个观测转置后都成为一个新变量，依次命名为COL1、COL2、……。
加上by语句，限定某一变量不转置
proc transpose;
by id;
proc print;
run;
结果为
| Obs |
id |
NAME |
COL1 |
| 1 |
1 |
group |
1 |
| 2 |
1 |
vas1 |
5 |
| 3 |
1 |
vas2 |
5 |
| 4 |
1 |
vas3 |
6 |
| 5 |
2 |
group |
2 |
| 6 |
2 |
vas1 |
8 |
| 7 |
2 |
vas2 |
5 |
| 8 |
2 |
vas3 |
5 |
| 9 |
3 |
group |
2 |
| 10 |
3 |
vas1 |
7 |
| 11 |
3 |
vas2 |
4 |
| 12 |
3 |
vas3 |
5 |
| 13 |
4 |
group |
1 |
| 14 |
4 |
vas1 |
6 |
| 15 |
4 |
vas2 |
6 |
| 16 |
4 |
vas3 |
3 |
| 17 |
5 |
group |
2 |
| 18 |
5 |
vas1 |
6 |
| 19 |
5 |
vas2 |
7 |
| 20 |
5 |
vas3 |
5 |
| 21 |
6 |
group |
1 |
| 22 |
6 |
vas1 |
6 |
| 23 |
6 |
vas2 |
5 |
| 24 |
6 |
vas3 |
5 |
修改列名
proc transpose data=vas name=vars; /*此处的name不是人为的变量名，而是sas本身对转置后第一列的变量名的固定称呼*/
id name; /*此处的id不是人为的变量名，而是sas本身对转置后第一行第2个及之后的值的固定称呼；此处的name是转置前的人为的变量name*/
proc print;
run;
结果为
| Obs |
vars |
LIXM |
ZHMI |
FEND |
LIMZ |
WAXF |
DOCX |
| 1 |
id |
1 |
2 |
3 |
4 |
5 |
6 |
| 2 |
group |
1 |
2 |
2 |
1 |
2 |
1 |
| 3 |
vas1 |
5 |
8 |
7 |
6 |
6 |
6 |
| 4 |
vas2 |
5 |
5 |
4 |
6 |
7 |
5 |
| 5 |
vas3 |
6 |
5 |
5 |
3 |
5 |
5 |
5 对比多个数据集是否一致 proc compare
proc compare <base=数据集 compare=数据集> <nosummary> ;
by 变量1 变量2 ……;
proc compare语句调用数据比较过程。
| 选项 |
含义 |
| base |
指定比较的数据集 |
| compare |
指定被比较的数据集 |
| nosummary |
作用是不显示一些概括性的结果 |
| 搭配语句 |
含义 |
| by |
指定的变量有点类似于“索引”的作用，通常指定id号。如果两个数据集的观测数不同，利用by语句可以保证它们比较的仍然是同一个id号，而不会出现错位比较的情况 |
data a1;
input id gender age height weight;
cards;
1 2 24 165 55
2 2 24 160 48
3 2 28 160 60
4 2 27 155 48
5 2 25 165 59
;
data a2;
input id gender age height weight;
cards;
1 2 24 165 55
2 2 24 160 48
3 2 25 162 60
4 2 27 155 48
5 2 25 162 59
;
proc compare base=a1 compare=a2 nosummary;
run;
结果为：
COMPARE 过程
比较 WORK.A1 与 WORK.A2
(METHOD=EXACT)
NOTE: 下列 2 个变量的值经比较不相等: age height
变量的值比较结果
__________________________________________________________
|| 基准 比较
观测 || age age 差异 差异(%)
________ || _________ _________ _________ _________
||
3 || 28.0000 25.0000 -3.0000 -10.7143
__________________________________________________________
__________________________________________________________
|| 基准 比较
观测 || height height 差异 差异(%)
________ || _________ _________ _________ _________
||
3 || 160.0000 162.0000 2.0000 1.2500
5 || 165.0000 162.0000 -3.0000 -1.8182
__________________________________________________________
6 修饰
对变量名的注释
label 变量1= 标签1 变量2=标签2 ...;
对变量的值的注释
/*制定自定义格式*/
proc format;
invalue <$>格式名 变量或范围1=输入格式1 ...;
value <$>格式名 变量或范围1=输入格式1 ...;
--------
/*应用自定义的格式*/
format 变量 <$>格式名.; /*自定义的格式名需要在末尾加英文句号*/
| invalue |
value |
| 输入格式 |
输出格式 |
| 若invalue的目标数据是字符型，则无论数据本身是数值或是字符都作为字符输入 |
若源数据是字符，则需要在变量名前加$ |
proc format;
value first 1-2="male" 3="female";
value $second "a"-"g"="fair" "o","u"="other";
data test;
input x y$;
format x first.;
format y second.; /*两个变量分开两行设定格式*/
cards;
1 a
2 b
1 o
2 u
3 g
1 i
;
proc print;
run;
原本数据
| Obs |
x |
y |
| 1 |
1 |
a |
| 2 |
2 |
b |
| 3 |
1 |
o |
| 4 |
2 |
u |
| 5 |
3 |
g |
| 6 |
1 |
i |
修饰结果
| Obs |
x |
y |
| 1 |
male |
fair |
| 2 |
male |
fair |
| 3 |
male |
other |
| 4 |
male |
other |
| 5 |
female |
fair |
| 6 |
male |
i |
7 输出样式 proc print
proc print <data=> <label> <noobs> ;
by <descending> 变量1 <descending> 变量2 …;
var变量1 变量2 … < style >;
sum 变量1 变量2 … < style >;
proc print调用输出过程。
| 选项 |
含义 |
| < data= > |
指定要输出的数据集，如果不指定，默认为最近一次使用的数据集 |
| < label > |
要求显示用label语句指定的变量标签。前提在data步已有label语句。 |
| < noobs > |
要求不显示最左侧的obs列。 |
| 搭配语句 |
含义 |
| by |
分组：将数据集按指定的变量分开显示。使用by语句之前，最好先用proc sort排一下序 |
| var |
指定需要输出的变量，如果不写，默认为全部输出 |
| sum |
给出指定数值变量的求和。这四个语句中的style选项均同proc print语句 |
data baseline;
input id gender$ age height weight;
label gender="性别";
cards;
1 female 36 160 60
2 female 43 168 56
3 male 51 171 73
4 female 60 160 50
5 male 66 172 55
;
proc print;
原本数据：
| Obs |
id |
gender |
age |
height |
weight |
| 1 |
1 |
female |
36 |
160 |
60 |
| 2 |
2 |
female |
43 |
168 |
56 |
| 3 |
3 |
male |
51 |
171 |
73 |
| 4 |
4 |
female |
60 |
160 |
50 |
| 5 |
5 |
male |
66 |
172 |
55 |
输出修饰：
proc sort;
by gender;
proc print data=baseline noobs label;
by gender; sum height weight;
run;
结果为：
性别=female
| id |
age |
height |
weight |
| 1 |
36 |
160 |
60 |
| 2 |
43 |
168 |
56 |
| 4 |
60 |
160 |
50 |
| gender |
|
488 |
166 |
性别=male
| id |
age |
height |
weight |
| 3 |
51 |
171 |
73 |
| 5 |
66 |
172 |
55 |
| gender |
|
343 |
128 |
|
|
831 |
294 |
网友评论