第三章SAS数据集的基本操作

许振宇山东大学数学学院2006第三章SAS数据集的基本操作——程序实现许振宇山东大学数学学院2006§1SAS程序初步SAS程序程序步（Step）环境设置语句数据步（DataStep）过程步（ProcStep）用于创建、修改数据集。以DATA语句开头。实现面向数据集的操作，包括处理、计算、分析、呈现等功能。以PROC语句开头。许振宇山东大学数学学院2006•说明：–1.命令语句SAS程序步的基本组成单位。•1）一般形式：关键词操作对象……[选项]……[选项1|选项2|……]；•2）形式：–开始标志：一个用于表示命令动作的关键词，–结束标志：分号“;”。–根据需要还可能包括若干可选项。•3）位置：–命令语句可以在行的任何位置开始，–一条语句可以占据一行或多行，多条语句也可以写在同一行。–语句中的各项之间用空格隔开。•4）字符：–命令语句中的英文字母不区分大小写，–汉字只允许出现在字符串中。许振宇山东大学数学学院2006–2.数据步的一般形式：DATA数据集名[选项];命令语句序列;RUN;–3.过程步的一般形式：PROC过程名[过程选项];过程语句序列;RUN;–4.程序步的结束：•遇到RUN语句或后面一个程序步开始时。•表示前面的语句可以提交运行了。许振宇山东大学数学学院2006§2有关库和逻辑文件的程序语句•1.标记一个数据库–一般形式：LIBNAME库标记[库引擎]库的实际物理地址[选项];–功能：建立指定的库标记与其物理位置的连接。–说明：•库标记必须指定，见库标记的命名规则；•数据源即文件夹的物理位置，一般从根目录开始指定其路径，并用一对引号（或）引起来；•库引擎根据创建库中数据集时的SAS版本号可选V6或V8，缺省值是当前SAS系统所用的引擎。例：libnamedst‘d:\dst’;run;许振宇山东大学数学学院2006•2.取消库标记–一般形式1：LIBNAME库标记CLEAR;–功能：取消指定的库标记与其物理位置的连接。–一般形式2：LIBNAME_ALL_CLEAR;–功能：取消所有用户设置的库标记与其物理位置的连接。许振宇山东大学数学学院2006•3.显示库的属性–一般形式1：LIBNAME库标记LIST;–功能：显示指定库的属性，包括库引擎、物理位置等。–一般形式2：LIBNAME_ALL_LIST;–功能：显示用户指定的所有库的属性，包括库引擎、物理位置等。许振宇山东大学数学学院2006•4．复合库的设置一个库可以对应于多个物理位置，即多个文件夹。–设置语句：LIBNAME库标记(位置1位置2……);–功能：建立指定的库标记与其若干物理位置的连接。–说明：位置可以是用引号括起来的实际物理地址，也可以是一个已经设定的库标记。例：libnamelib1'D:\dst\data1';libnamelib2(lib1‘D:\dst\data2’);libnamelib3('D:\dst\data1‘'D:\dst\data2’);许振宇山东大学数学学院2006•5．指定逻辑文件名–一般形式：FILENAME逻辑文件名文件的物理位置；–功能：创建指定的文件的逻辑文件名与其物理位置的连接。例：filenameflight'D:\dst\flight.dat';许振宇山东大学数学学院2006•6.查看库的内容–实现：过程步DATASETS–一般形式：PROCDATASETSLIB=库标记;RUN;–功能：在Log窗口中显示库的属性和它所包含的所有成员列表。例：procdatasetslib=sasuser;run;Proccontentsdata=sashelp.class;Run;许振宇山东大学数学学院2006结果如下：许振宇山东大学数学学院2006§3生成SAS数据集•1.数据步（DataStep）简介–1.1主要功能：•创建SAS数据集。•说明：数据必须以SAS数据集的格式保存才能被许多SAS过程处理。–1.2创建SAS数据集的途径：•直接在SAS系统中输入数据；import外部导入；•用数据步（DataStep）将外部数据文件转换为SAS数据集；•用SAS/ACESS模块访问其它数据库管理系统。–1.3数据在用数据步中的输入方式：•直接在数据步中输入数据；•将数据保存在文本文件中，数据步读取并生成数据集。许振宇山东大学数学学院2006SAS数据集直接输入数据库外部格式文件SAS过程步图1数据集中数据的来源许振宇山东大学数学学院2006•2.数据步的一般形式：DATA数据集名;INFILE文件名[选项];INPUT变量名变量输入设定;[其他SAS语句;]RUN;–功能：读取数据生成SAS数据集。许振宇山东大学数学学院2006–说明：•DATA语句：–标志数据步的开始–命名要创建的数据集（数据集名采用两级文件名的方式指定）。•INFILE语句：用于指定要读取的源文件，–源文件可以使用逻辑文件名，也可以输入其物理地址和全名（此时需要用一对单引号或双引号将源文件名括起来）；–必须放在INPUT语句之前；–如果要在程序中直接嵌入数据，就用CARDS语句代替INFILE语句；也可以用infiledatalines;•INPUT语句：描述如何读取每一条观测，包括：–读取源文件中的数据行，–变量的命名，–变量的读取模式；许振宇山东大学数学学院2006•源文件：是扩展名为.dat或.csv的文本文件，其中：–数据行称为记录，对应于数据集中的观测，–一个数据行中的若干列组成一个具有特定含义的数据，称为字段，对应于数据集中的变量；•变量的读取模式：–按列模式（Column）字段开始列固定–格式化模式（Formatted）–列举模式（List）有固定字段分隔符–命名模式（Named）各模式分别对应不同的INPUT语句格式。•RUN语句：标志当前数据步的结束。•在数据步中我们还可以根据需要加入其它的SAS语句。许振宇山东大学数学学院2006•2．系统执行数据步的过程–编译数据步–执行数据步01MAR90LON19801MAR90FRA20701MAR90LON205……源数据文件DATEDESTBOARDED01MAR90LON19801MAR90FRA20701MAR90LON205……SAS数据集data...;infile...;input...;run...;数据步许振宇山东大学数学学院2006–2.1编译阶段•1）检查语句是否有词法或语法错误；•2）将数据步翻译为机器代码；•3）在内存中创建一个输入缓冲区（InputBuffer），用来存放源文件中的一条记录（一般是一行）；012345678……许振宇山东大学数学学院2006•4）在内存中创建一个PDV（程序数据向量ProgramDataVector）用来临时存放当前观测；其中_N_表示当前处理的记录序号，_ERROR_是操作出错标志（0表示正常，1表示出错）。•5）根据PDV存储的信息创建数据集的描述部分。DATE$7DEST$3BOARDEDN8描述部分数据部分_N__ERROR_DATEDESTBOARDED10许振宇山东大学数学学院2006–2.2执行阶段•1）将PDV中的所有变量初始化为缺省值；•2）顺序执行数据步中的每条语句：•3）INPUT语句将源文件（INFILE语句指定）中的下一条记录（经输入缓冲区）读入PDV；•4）其它语句（如果有）修改PDV中的数据；•5）PDV中的数据在该数据步的结束处被写入正在创建的数据集；•6）回到数据步的开始，将PDV中的所有变量初始化为缺省值；•7）重复以上步骤直到外部文件结束。许振宇山东大学数学学院2006BEGINEND编译程序初始化变量执行INPUT语句文件结束Y执行其它语句写入SAS数据集N图2数据步执行的流程图许振宇山东大学数学学院2006图3读取外部文件生成数据集示意图外部文件集数据集InputBuffer_N__ERROR_DATEDESTBOARDEDPDV外存储器内存储器许振宇山东大学数学学院2006•3.在数据步中直接输入数据–一般形式：DATA数据集名;[INFILECARDS|DATALINES];INPUT变量名变量输入设定;CARDS|DATALINES;数据块;RUN;–功能：将包含在数据步中的数据块按照指定格式输入到新建的数据集中。许振宇山东大学数学学院2006–说明：•1）INFILE语句：–其中的CARDS或DATALINES选项告诉系统数据在数据步中直接输入，而不是读自源文件；•2）CARDS或DATALINES语句：–标明了数据块的开始；•3）数据块：–其中的数据形式由INPUT语句中的变量输入模式决定；–数据块中的每行数据需顶头写；–数据块输入完毕，位于下一行开始的分号说明了数据块的结束。许振宇山东大学数学学院2006–例1：datatmp1;inputxy;cards;123456789023;run;–说明：•1）新建数据集的二级文件名是work.tmp1；•2）x、y分别是数据集中的变量，系统根据随后输入的数据设置它们的格式。运行结果：许振宇山东大学数学学院2006–以上数据步也可以写作如下等价形式：datatmp1;inputxy@@;cards;123456789023;run;运行结果同上。•说明：跟踪符号“@”的作用–@：保留前一个INPUT语句使用的数据行供下一语句使用；–@@：在一个循环结束时仍然保留数据供下一循环使用。许振宇山东大学数学学院2006•4．读取外部文件生成数据集–4.1按列模式（Column）•1）适合的源文件–数据固定在某些列中；–数据中只包含标准的字符和数字。•2）INPUT语句的一般形式：INPUT变量名[$]开始列-结束列……;•3）说明：–变量名：指定要创建的变量名称；–$：可选项，出现说明变量是字符型的，否则说明变量是数值型的；–开始列C1-结束列C2：说明了变量对应的字段在源文件中的读取位置，即对每行数据从第C1个字符开始读取，直到第C2个字符；–在一条INPUT语句中可为多个变量定义输入方式，它们之间以空格分隔。许振宇山东大学数学学院2006–4）例子例2：假设有如下所示的文本文件flight.dat，描述了飞机航班的日期、目的地和乘客人数。01MAR90LON19801MAR90FRA20701MAR90LON205…………提交以下程序：dataflight;infile'd:\dst\flight.dat';inputdate$1-7dest$8-10boarded11-13;run;procprintdata=work.flight;run;许振宇山东大学数学学院2006结果如下：说明：–程序中包含了用于创建数据集work.flight的数据步，和用于显示数据集work.flight内容的过程步PRINT。–在没有给出输入输出格式的情况下，各变量的输入输出格式都采用默认值，即长度为8。–源数据行中的字段可以按照任意次序来读，也可以重复读取，例如：inputboarded11-13date$1-7dest$8-10year6-7；许振宇山东大学数学学院2006–对于数值型变量来说，源文件中只能提供标准数值数据值，即只能包含数字、小数点、正负号、E。而不能有$、逗号等符号。–某变量在源文件中对应列全为空格，则该变量读入的是一个缺省值。–按列模式也可以用于在数据步中直接读入数据例3：dataflight;infiledatalines;inputdate$1-7dest$8-10boarded11-13;datalines;01MAR90LON19801MAR90FRA20701MAR90LON205;run;此数据步提交结果与例2一样。许振宇山东大学数学学院2006•4.2格式化（Formatted）模式–1）适合的源文件•字段具有固定格式•含有不标准数据–2）一般形式：INPUT输入指针控制变量名输入格式……;许振宇山东大学数学学院2006–3）说明：•输入指针控制：将输入指针控制在源文件数