数据分析与SAS学习笔记3

 SAS在最新的展示图，表现力比较丰富。

SAS的处理流程：

数据步 过程步：

ETL是数据分析非常重要的步骤。70%-90%花在收集数据以及整理数据，数据分析数据的时间不是很多的。

一个完整的数据步和过程步：

 

数据步基本语句总结：

DATA

INPUT  (难度最大）

DATALINES(CARDS)和ATALINES

LENGTH

LABEL

LOSTCARD

INFORMAT/FORMAT

MISSING

OPTIONS

DATA语句：

格式：DATA <数据集名> <选项>

常用选项：label=为数据集提供标记；DROP=列出不包括在数据集中的变量

缺省逻辑库为work

同一次会话过程中，可以有多个DATA语句创建多个数据集。最后建立的为当前数据集

如果分析工作不需要建立数据集，DATA语句中的数据集名可以用_NULL_

说明：

1）sas关闭，临时数据库work中的数据集会被删除掉；那么就要创建永久数据集；

DATA例子：当前数据集

data student;
input num $ name $ sex $;
datalines;
060101 zhangsan f
060102 liling m
060201 liufeng fdata score;
input num $ phy math engl;
datalines;
060101 89 90 77
060102 92 70 88
060201 80 84 75proc print;
/* proc print data=student; */
run;

代码说明：

1）input语句 定义内置数据中定义三个变量，后面跟$，表示读入的字符的变量。

2）datalines：相当于cards，用来定义内置数据。

3）proc print; 输出的是哪个数据集呢？默认是输出最后的数据集，就是当前数据集score；

4）proc print data=student;  指定数据集student输出。

DATA 例子：空数据集

data _null_;
a = sin(3.14159/4);
put a;
run;

代码说明：

1）定义一个变量a，值是正弦函数；

2）put a:  /* 显示a的值 */

3）data _null_:  定义空的数据集，产生的变量也不会放到数据集，在硬盘中不会产生任何东西。

DATA例子：永久数据集

libname ep 'e:\saslx';
data ep.students;
input num $ name $ sex $ h w;
datalines;
020801 zhangling f 1.56 47.1
020802 zhaohua m 1.72 61.5
030813 wangqang m 1.69 64.5
030824 liuli f 1.58 53.6
030815 shidong f 1.60 48.0
;proc print;
run;建立永久数据集后， 下次可以直接调用
libname ep 'e:\saslx';
proc print data=ep.students;

代码说明：

1）创建逻辑库ep，对应硬盘中的e盘的某目录路径；

2）指定的数据集是ep下面的students数据集；

3）然后输出；

4）下次再登录，可以输出ep.students，说明数据被永久保存在硬盘中。

INPUT语句：在数据步中最关键的部分。

用于描述输入的数据。从外部文件infile或紧跟的CARDS读入数据，赋给该语句列出的各个变量。每个列应该怎么读，它的类型是什么样的。

格式：INPUT <数据项描述>......中间用空格分开就行了。

一般认为读入的数据是数值型，除非：1 变量名后有$号，2 使用字符的输入格式表示；3 变量事先被定义成字符型；

数据中的缺项值用"." 表示。如果读入数据与数据类型不匹配，则按无效数据置为缺项值；

说明：

1）数据项描述：中间默认用空格分开就行；

2）数据中有空值，在SAS中，是用缺项值表示，缺失值。缺项值用一点来表示。

3）数据与数据类型不匹配，则为缺失值。

INPUT语句：数据项描述

方法一：列表或自由格式；

方法二：列

方法三：格式化

列表输入：

格式：INPUT 变量名 [$] ....;

对输入数据的要求：1）输入数据项之间至少被1个空格分隔；2）用句号表示缺失值；3）字符型变量缺省默认最大长度为8，除非用LENGTH、ATTRIB、INFORMAT等语句给定更长的长度；INPUT语句中列出的变量顺序要跟输入数据的顺序一致。

如果INPUT后变量数量少于输入数据中的列数，则后面的列被略去

如果输入数据前后包含空格，会被判为作为分隔符的空格

说明：

1）没有$，就是数值型，有$，就是字符型；

2）至少一个空格；列之间连在一起没有空格，INPUT就无法辨认；

3）用英文句号来表示缺失值；

4）变量的长度的重新定义；

INPUT语句：列输入：

格式: INPUT变量名[$] 开始列[-结束列];

输入值可以以任何的次序读入，而不管它们在输入记录中的位置；

字符型数据可以包含空格。全部是空格或只含一个"."的字段被解释为缺失值。

可读全部或者部分数据

DATA;
input ID $1-18 birthyear 7-10 name $ 19-29;
Age = YEAR(DATE())-birthyear;
DATALINES;
210103195909123912zhanglin
210104195007231234liuli
211110195208113421linzexu
;
proc print;
run;

代码说明：

1）这是列输入，ID是从第1个字符到第18个字符；birthyear 是从第7个字符到第10个字符，每个字符都是一列。name：就是从第19个列到第29列，就是从19个字符到29个字符；

2）AGE DATE，SAS是从60年代就有了，SQL通用语言有很多地方借鉴了SAS。

3）AGE这列是通过赋值语句产生的。

格式化输入：

格式：INPUT变量名 <修饰符> 输入格式....;

输入格式例子：INPUT name $10. birthday mmddyy10. weight 4.1; (解释）

说明：10. 是输入格式。mmddyy10. 表示的是10位的mmddyy格式。4.1 数字有4位这么长，保留小数点1位。

DATA days;
INPUT num $3. name $14. birthday mmddyy8. weight 4.1;
DATALINES;
081ZHANGLIN    7-21-86 60.5
082ZHAOHUA     10/30/86640
083WANGQANG    06 19 8659.5
084LIULI       03 07 8763
;
proc print;
run;

数据中的年月日之间应用特殊符号或空格隔开。格式化输入时，数据项不再以空格作为结束标志，而是由读指针按给出的格式长度移动，依次读数据项。数据前后的空格也要计算在内。

 

 1）我们看到时间显示比较特别；birthday不是我们能认识的时间，直观看起来从某年某月某日的天数。mysql中是从1970年开始进行的。

2）weight：640，读出来的是64.0，SAS是先把小数点后一位先读出来；63，SAS先把3先作为小数点后面读出来。

 FORMAT语句的使用。是worddate格式显示的。

INPUT语句：格式列表

例子：

input(score1-score5)(4. 4. 4. 4. 4.);
input(score1-score5)(4.);
input(name score1-score5)($10. 5*4.);

代码说明：

1）score1是数值型，4位；

2）第二行，4. 表示所有的变量都是4位宽；

3）第三行：$10. 表示10个字符长，5*4. 表示5个变量全部都是4位。