【SAS Says】基础篇：5. 开发数据（一）

本节目录：

开发数据

5.1 创建并重新定义变量

5.2 使用SAS函数

5.3 使用IF-THEN语句

5.4 用IF-THEN语句将观测值分组

5.5 构造子集

5.6 处理SAS的日期数据

5.7 可选择的数据格式和函数

5.8 使用retain和sum语句

5.9 用数组简化程序

5.10 列出变量名的快捷方式

【SAS Says】基础篇：5. 开发数据（定义变量、构造子集、处理日期、SAS函数、简化数组）

5.1 创建并重新定义变量

可以通过分配语句来创建并重新定义变量，基本形式为：

Variable=expression

Variable是变量名，expression可以是常量、其他变量、或者数学表达式。分配语句的基本类型有：

Expression是数学表达式时，需要遵循运算法则，先算指数、再算乘除、之后是加减。可以用括号改变运算等级。

例子 如下是一个农产品估重数据，每位农民要求对他们的番茄、南瓜、豌豆、葡萄进行估重：

下面代码从garden.dat原始文件中读取数据，并进行修改：

这个程序包含了5句分配语句，第一个将14赋值给zone，第二个使type等于一个字符串常量……打印出的结果中，既包括旧变量，又包括新变量：

由于观测值susan的peas变量出现了缺失值，因此这个观测值的total和pertom变量也出现了缺失值。日志窗口的说明如下：

NOTE:Missing valueswere generated as a result of performing an operation onmissing values.

5.2 使用SAS函数

SAS有400多个函数，主要涵盖如下领域:

函数基本形式：function-name(argument,argument,…)，所有的函数都需要括号，即使没有参数。下面的程序计算使用MDY函数，MDY函数需要三个参数：月、日、年。

Birthday=MDY(MonthBorn,DayBorn,YearBorn);

函数可以嵌套，即一个函数可以是另一个函数的参数。比如：NewValue=INT(LOG(10));

例子 有一个南瓜雕刻比赛的数据，pumpkin.dat数据包含了参赛者的名字、年龄、雕刻的南瓜类型、报名日期、五位裁判给出的分数。

下面的代码读取了数据、创建了两个新变量、转换了一个大小写：

AvgScore 使用均值函数创建的变量，计算参数的均值，这与直接相加再除以5不同的地方在于，当参数中出现缺失值时，直接相加再除的方法返回缺失值，而均值函数计算非缺失参数的均值。

DayEntered变量使用DAY函数，返回日期在一个月里的天数。

Type用大写转换函数将原来的字母转换成大写字母。

结果是：

5.3 使用IF-THEN语句

条件语句IF-THEN的基本形式为：IF 条件 THEN 执行;

比如：IF Model='Mustang' THEN Make='Ford';

条件语句中的一些基本比较符号：

还有IN比较符，比如这句中IF Model IN('Corvette','Camaro') THEN Make='Chevrolet';代表当Model为Corvette或Camaro的时候，将Chevrolet赋给Make。

一个条件只能有一个执行，如果要多个执行，则需要DO和END关键字。

可以用AND和OR来定义多个条件：IFModel='Mustang' AND Year<1975 THEN Status='classic';

例子 如下的数据包含了模型的名字、年份、制造商和颜色：

下面的代码从cars.dat的原始文件中读取数据，使用IF-THEN语句填满缺失值，并创建一个新变量Status

输出结果如下：

5.4 用IF-THEN语句将观测值分组

IF THEN/ELSE的一般形式为：

IF condition THEN action;

ELSE IF condition THEN action;

ELSE IF condition THEN action;

用else语句与直接用多个IF-THEN语句比起来，有两个优势，第一是更有效率，电脑将占用更少的时间；第二是else可以确保你的两个condition之间互斥。

有时候最后一个ELSE只有action，没有IF-THEN：

例子有一个住房改善的数据，home.dat，包括了姓名、改善工作、改善成本：

下面的代码读取数据，并新建了一个CostGroup的变量。根据Cost的值将数据分成high、medium、low和missing三类：

输出结果是：

5.5 构造子集

IF语句可以构造子集，取数据集中的部分数据。

基本形式为： IF expression; 比如： IF Sex='f';

如果IF条件中的数据是真，则数据步将继续执行。

还可以使用DELETE语句，来删除哪些不要的数据： IFexpression THEN DELETE;

这两句话是等价的： IF Sex='f'; IF Sex='m'THEN DELETE;

例子 有关于莎士比亚歌剧的清单，Shakespeare.dat，包含歌剧名、首次表演年份、类型：

下面的代码读取数据，并且用IF语句构造一个只包含喜剧（comedies）的子集：

输出结果如下：

观察日志有时能很好的保证我们截取了我们要的数据：

在这个例子中，用DELETE等价的语句为：

IF Type='tragedy' OR Type='romance' OR Type='history' THEN DELETE;

5.6 处理SAS的日期数据

日期数据的处理很棘手，有的月份有31天、有的30天、有的28天。SAS简化的日期数据，将所有的日期转化成一个以1960年1月1日为起点的数。比如：

SAS处理日期数据的三个工具为：读取数据的informats，使用数据的函数（functions），打印数据的formats

Informats 读取日期数据需要用formatted input。比如，如何告诉SAS用MMDDYY10. imforat读取名为BirthDate的变量：

INPUT BirthDate MMDDYY10.;

设定默认的百年 07/04/76这样的数据可能是1976，也可能是2076、1776。因此需要YEARCUTOFF=来指定一个一百年的第一年，默认的是1920年。下面的语句就是告诉SAS将一个两位年份的日期解释为1960年到2049年之间：

OPTIONS YEARCUTOFF=1950;

SAS表达式中的日期一旦被以SAS日期格式读取之后，可以将此数据想其他数值数据一样用在表达式中。比如像为图书馆的书设定21天的还书日期，只需要在结束日期上加上21：

OPTIONS YEARCUTOFF=1950;

通过在表达式中加入引号和字母D，可以将一个日期当做常数来使用，如下的代码创建了一个EarthDay05的变量，并且等于April22,2005

EarthDay05='22APR2005'D;

函数 SAS日期函数使得操作大大简便，比图today（）返回今天的日期。

语句DaysOverDue=TODAY()-DateDue;可以计算一本书应归还还剩余的期限。

Fomats 打印日期数据时，还需要将数值换成日期，下面的FORMAT语句告诉SAS用WEEKDATE17.格式打印变量BirthDate。

FORMAT BirthDate WEEKDATE17.;

例子 图书馆有借书卡数据，Dates.dat，包含持卡人姓名、出生日期、卡办理日期。

下面的代码读取数据，计算变量使用期限（expiredate），使用期限为3年；变量expirequarter计算使用期限的四分之一，使用函数QTR（）。接着用IF语句来判断一个卡是否为新卡，在2003年1月1日之后办理的，为新卡：

输出结果为：

注意BirthDate没有用日期格式。

5.7 可选择的Date Informats，Functions和Formats

下面是例子：

5.8 使用retain和sum语句

当开始数据步的每一个观测值迭代时，SAS会先将所有变量值设为缺失，再通过input和分配语句改变。Ratain和sum语句可以改变这种方式，

Retain语句 retain语句可以让SAS保存前一次变量的值。它可以出现在数据步的任何位置，基本形式为：

RETAIN variable-list;

也可以指定一个初始值，而不是用缺失值或前一次的值代替初始值

RETAIN variable-list initial-value;

Sum语句 SUM语句用于你想将一个表达式的值累加到一个变量上去时，基本形式为：

variable+expression;

这个语句将表达式的值赋给变量，同时将变量的值保留到下一次迭代。这个变量必须是数值型，且初始值为0。因此，语句等价于如下形式：

RETAIN variable 0;

variable=SUM(variable,expression);

例子 有一个关于本赛季棒球比赛的数据，games.dat，包含比赛日期、参赛队伍、hit数据、runs数据

现在需要增加两个变量，一个反应本赛季的总runs数，一个反应一场比赛中最大的runs数。下面的代码用sum语句实现总run数，用retain和max函数实现最大runs数：

变量maxruns取前面迭代的maxruns和runs中最大值；变量runstodate将每一场比赛的runs都加到自己身上。结果如下：

5.9 用数组简化程序

对于太多变量要处理的程序，数组将大大简化程序。

SAS中，数组是一组变量，变量可以是已存在的，也可以是新创建的。

数组在数据步中用ARRAY来定义，基本形式为：

ARRAY name(n) $ variable-list;

Name是数组名，n是变量数，()也可以用[]和{}代替。如果变量是字符串，则需要$，且变量是新创建的字符串时，$是必须的。变量名依照顺序排列，如数组：

ARRAY store(4) Macys Penneys Sears Target;

则store(1)是Macys，store(2)是Penneys，store(3)是Sear，store(4)是Target。

数组本身不储存在数据集中，只有在数据步中才被定义。命名规则与变量一样（不超过32字节，以字母、下划线开头，只能包含字母、数字、下划线）

例子 广播电台wbrk做了一份关于歌曲的听众调查，对10首歌进行打分，分值在1-5，如果没听过则填9。数据文件wbrk.dat包括了被访者姓名、年龄、以及十首歌的打分。

下面的代码将所有打分为9的改为缺失值：

十首歌被放入song的数组中。输出结果如下：

注意这里数组没有被保存到数据集中，而i被保存了。

5.10 列出变量名的快捷方式

如果想把100个变量放入数组，并不需要一个一个变量名的输入，有快捷方式可以列出变量名。

Number range lists 开始于同一个单词，结尾于连续的数字的，可以使用Numberrange list。比如：

Name range lists这种列表是依据变量在数据集中的排列顺序来的，比如，创建如下数据步：

则变量的排列顺序就为：Y A C H R

那么可以依照这个顺序用“put 第一个变量--最后一个变量”来简化：

如果不能确定数据集中变量的顺序，可以用proc contents的postion选项来查看。下面的代码列出了永久数据集distance的变量顺序：

例子 广播电台WBRK想要修改前面的代码（将9改为缺失值），使用mean函数计算平均分数：

程序中，当原始变量（domk-ttr）值为9时，song变量值为缺失值，否则就把原始变量的值赋给song变量。另外avgscore计算平均值：

---