SM3 建立数据集.ppt

1、第三章 建立SAS数据集,SAS 可以从以各种形式存储的数据中获取有用的信息，建立专门格式的SAS数据文件。 数据来源可以是长度不定的记录、二进制文件、自由格式数据、甚至包括残缺数据的文件。 通过SAS 系统中各种工具以及相应方法，可方便地访问这些数据，并可转换为SAS数据文件。 SAS系统只能对由SAS建立的数据文件直接进行统计分析。,一、图形界面建立数据集和输入数据,SAS可以采用程序建立数据集，也有多种图形界面能交互式的将数据录入为SAS专用的数据文件。这里先介绍其中几种交互式建立数据集方式： 利用VIEWTABLE新建数据集 利用SAS ASSIST 创建数据集 利用SAS INSIG

2、HT 创建数据集 利用SAS ANALYST 创建数据集 利用SAS LAB 创建数据集,利用VIEWTABLE建立数据集,VIEWTABLE 是SAS 系统中一种通过可视的方式管理数据的工具。 用VIEWTABLE 建立SAS数据文件的方法： 1.在SAS 资源管理器窗口中,打开某数据库,然后在此窗栏内单击鼠标右键,在菜单中选New 按钮(或单击SAS主菜单上的File-New,也可在命令窗口条内键入SAS命令vt)。 2.在随后出现的窗口、对话框内据提示选择。,利用SAS ASSIST建立数据集,SAS ASSIST是SAS系统的一个重要的模块.它的作用是使得用户不需要编程就可以完成一些常

3、用的数据管理、统计分析、输出图表。 单击Solution 菜单下的ASSIST 选项，启动SAS ASSIST。在系统弹出的窗口中，SAS ASSIST 进行一些初始设置；如果不希望在下次使用SAS ASSIST 的时候仍然出现这个窗口，可以将Show this window at startup 前面的叉号取消。不作修改，单击Continue 按钮，就自动弹出了SAS ASSIST 的工作区域。 可根据提示进行操作。 数据输入时先按Insert键,结束时可用end命令！,用Insight与Analyst建立数据集,用SAS主菜单上的Solutions-Anayisis- Analyst选项可

4、打开Analyst界面进行数据录入和分析。(也可用命令窗条内键入analyst实现) 用SAS主菜单上的Solutions-Anayisis- Interactive Data Analysis选项可打开Insight界面进行数据录入和分析。 (也可用命令窗条内键入insight实现),7,二、图形界面批量式录入关系数据,SAS系统提供了将SAS 数据集与标准格式文件和用户自定义格式文件之间的互相转换功能。SAS的导入向导可以帮助我们完成这项工作。SAS 系统可以转换的标准格式的数据文件包括： Microsoft Excel 97 or 2000 Lotus 1 spreadsheet Mic

5、rosoft Excel 5 or 7 Lotus 3 spreadsheet Microsoft Excel 4 spreadsheet Lotus 4 spreadsheet Microsoft Access 2000 table Delimited File Microsoft Access 97 table (分隔的数据文件没有特定扩展名) DBase File Comma Separated Values Tab delimited File (逗号分隔数据文件扩展名为csv) (制表符分隔数据文件扩展名为txt),8,标准格式的数据文件的转换,首先选择File 菜单中的Import

6、 data 按钮,就启动了导入向导。若文件是标准数据格式，则选择Standard data source,然后在下拉菜单选具体格式。,9,三、编程方式建立数据集和录入数据,采用SAS编程方式录入实际数据是一种灵活而有效的手段。尽管用图形界面进行各种操作已经成为Windows时代的一种主流模式,但在一些较复杂的、庞大的问题上,还是需要用编程模式才能方便的给予解决。 在SAS系统中,我们可以用其两类基本过程之一的数据步过程来完成对批量数据的录入与管理。,10,常见的输入/输出格式(一),字符型格式$w. 或 $charw.（w表示宽度） 数值输入格式w.d (若数据中含小数则d无用) 数值输出格式

7、bestw. (w确省值为12,超过宽度w则用科学计数法显示) 数值输入格式commaw.d (可自动除去数据串中的逗号、空格、美圆号、横线,保留数字、小数点) 数值输出格式commaw.d dollarw.d (整数部分每3位加入逗号,后一格式还要再加$于数值前),11,常见的输入/输出格式(二),日期输入格式yymmddw. mmddyyw. ddmmyyw. 日期输出格式yymmddxw. 其中x指定年、月、日间的分隔符,它是下列字符之一：b(空格)、c (冒号) 、d (横线,此为缺省值) 、n (无分隔) 、p (点号) 、s (斜杠) 。 日期输入输出格式 datew. (可转换3

8、0MAY2000形式日期) 时间输入格式 timew. 时间输出格式 timew.d 实现hh:mm:ss.ss形式时间值与SAS数值的转换。 日期时间输入格式 datetimew. 输出格式 datetimew.d 实现ddmmmyy hh:mm:ss.ss形式日期时间值与SAS数值的转换。,数据步（data step）中的主要命令,Data：数据步的关键词，建立一个数据集； Input：定义输入变量名； Infile:导入指定位置或者指定数据库中的其他格式的数据； Cards：手动输入的数据的起始命令； 其他一些格式化命令：length，informat，format等； 一些条件循环命令

9、：if.then.else，do.end，until，while，where，retain等 输入命令：output等 赋值命令：用来进行变量的计算转换 结束命令：run,Data命令,在某个数据库中建立数据集 Data 逻辑数据库名.新建的数据集名; 逻辑数据库可以是SAS自带的数据库，也可以是自定义的逻辑数据库（第一次使用时，要先建立好逻辑库名，如果SAS没有关闭，可一直使用这个逻辑库名，关闭SAS后，自定义逻辑库名将无效，要重新关联。也可以用sas菜单建立逻辑库，勾选保存建立的逻辑库,则每次启动SAS，此逻辑库名将自动关联此物理文件夹） 例： data exmpl;/*在work临时数据

10、库中建立临时数据集exmpl*/ data sasuser.exmp1; /*在永久数据库sasuser中建立永久数据集exmpl*/ data； /*数据集名缺省时，系统自动建立数据集dataN，N为按顺序的缺省数据集序号，如data1,data2等*/ data null； /*不建立数据集，即数据集为空集*/,14,Infile命令,Infile 语句是为INPUT语句指定数据源（一般是其它格式数据）的配套语句，它的一般形式为： INFILE 数据源 选项; (数据源为逻辑文件CARDS或DATALINES时，该语句可省略。) 常用选项有： DLM=符号 选项：指示数据间的分隔符。 DS

11、D选项：可将数据行中带引号的字符串(包括分隔符)作为一般字符串对待，并且读入该段时会自动除去最外层引号；使用DSD后，缺省的分隔符为逗号；不用DSD，多个相连的分隔符作一个处理；用了DSD后，两个相邻的分隔符就意味中间有个缺失值。 MISSOVER选项：当数据源中的一条记录的数据不够被INPUT语句中的变量读取时，尚未写入的变量都置为缺失值；该选项缺省时自动为FLOWOVER选项，即从数据源的下一记录中 取数据填补上。 FIRSTOBS=n1 OBS=n2 选项：指示在数据源中读哪些数据行。,例： imptdt03.dat中有某科室员工信息，有姓、名、工种、年薪(有逗号的数据)四个字段。 da

12、ta exmpl;/*在work临时数据库中建立临时数据集exmpl*/ infile d:sasimptdt03.dat;/*将imptdt03.dat数据 导入到exmpl数据集中*/ . 可以对于需要读入数据文件所在文件夹建立别名，此时用采用“infile 文件夹别名（数据文件名）;”读入数据: 例： filename dst d:zxdsas; /*给文件夹起别名dst*/ infile dst(imptdt03.dat); /*读入imptdt03*/,Input 命令,建立数据集变量，一般格式为： input 变量名1【变量名2 .】【选项】【指针】； 选项： 变量的类别：缺省为数

13、值型，字符型$； 变量占据的宽度； 变量输入格式：主要是日期型、时间型数据（也可以用informat定义）； 格式输入、指针等；,例 data exmpl； infile d:sasimptdt03.dat； input LastName $7. 9 FistName $5. 15 Job 3. 19 Salary comma9.;/*exmpl数据集中建立Lastname， Firstname，Job，Salary四个变量。其中，Firstname变 量为字符型，宽度为7个字节；指针移到第九列开始 lastname变量，宽度5个字节，指针移动第15列开始job变 量，宽度3个字节，指针移到第

14、19列开始Salary变量，宽度9个字 节，并去掉数据中的逗号*/ run; proc print;/*打印当前数据集到输出窗口*/ run;,INFORMAT/FORMAT命令,Informat定义输入变量的格式，format定义输出变量的格式，一般形式： INFORMAT 变量 格式 ； FORMAT 变量 格式 ； 该语句用于设置变量的缺省输入/输出格式。若语句中变量后没指定格式，则表示移去原有的格式。 注意：INFORMAT语句不会影响数值变量输入值的实际长度,但可能会截断字符型变量的输入值长度。 例： informat birthday date9.; /*birthday变量输入格

15、式为如 30JUL2012（9个字节）格式*/ format birthday yymmdd10.; /*birthday变量输出格式为如 2012-7-30格式*/,Lengh命令,一般情况下,变量的长度默认为8个字节,这对字符型变量而言,只能存放8个字符(4个汉字)。 length语句可改变变量的长度属性,一般形式为: length 变量名表$ 长度. ; 例:data tmp; length name $12.; input name$ age; cards; zhangsanfeng 56 lierwa 66 wangwujing 45 ; run；,20,Data Step,用于将原

16、始数据文件转换成SAS数据集并可进行多种数据变换；直接手动输入数据。 Data Step的一般形式：,将其他格式数据导入 data SAS-data-set; infile filename option; input 变量输入设定； 其他SAS语句； run；,手动输入数据 data SAS-data-set; input变量输入设定； 其他SAS语句； cards; 原始数据 ; run；,21,源数据的基本输入模式,在SAS数据步中，对输入数据起核心作用的是input语句；根据数据源的格式，input语句可以采用四种基本输入模式： 按列输入（Column） 格式化输入（Format） 自

17、由列表输入（List） 命名输入模式（Name） 当然,对一些形式较复杂的源数据还可采用混合模式输入。,22,按列输入模式,对数据字段位置固定的源数据,用input语句读入时,可按列模式输入,其一般形式为： input 变量名1$ 开始列数-结束列数 变量名2 ； 例： data indt01; infile d:zxssasimptdt01.dat; input id$ 1-4 age 6-7 actlevel$ 9-12 sex$ 14; run; proc print data=int01;run;,23,按列输入模式示例,例：imptdt02.dat中1-9列为日期,10-12列为航班

18、目的地,13-15列为登机人数。试建立SAS数据集。 filename dst d:zxdsas; /*给文件夹起别名dst*/ data work.indt02; infile dst(imptdt02.dat); input data$ 1-7 dest$ 8-10 boarded 11-13; run; data tmp; iinfile dst(imptdt02.dat); input data$ 1-7 dest$ 8-10 boarded 11-13 year 6-7; run; proc print; run;,24,格式化模式输入,对数据字段位置固定的源数据,也可以采用格式化的

19、输入模式更灵活地建立SAS数据集。 一般形式：input 指针控制 变量名 输入格式 ; 常见的指针控制有： n 将列指针移到第n列(指示输入的绝对位置) +n 将列指针位置增加n列(指示输入的相对位置) 输入格式是指SAS系统预定义或用户自定义的数据格式,如：4.2 、$4. 、comma12.2 、yymmdd8. 适用范围： 源文件中各变量所在位置必须是规则的(字段宽度固定)； 可用指针控制变量读入的始点,终点由输入格式确定； 每个变量按输入格式读入指定的长度； 该模式特点与列模式基本类似,但可读入多种格式的数值字段。,25,输入/输出格式类型,SAS数据输入/输出的格式主要有四类：字符

20、型、数值型、日期时间型和用户自定义型。 输入输出格式的一般形式为 $ 格式名 w.d $ 表明为字符型变量的输入输出格式； w.指明格式的宽度为w(字符数). 对输入格式就是读入的最大字符数,对输出格式就是变量显示时占据的最大列数； d 在数值型输出时指明显示小数位数,在数值型变量输入时只指明输入整数值中隐含的小数位数。,26,格式化输入示例,例：imptdt03.dat中有某科室员工信息，有姓、名、工种、年薪(有逗号的数据)四个字段。 data indt03; infile d:zxdsasimptdt03.dat; input LastName $7. 9 FistName $5. 15

21、Job 3. 19 Salary comma9.; run; proc print; run;,27,示例：计算日期间隔,data tmp; /* 建立数据集tmp*/ informat d1 d2 YYMMDD10.;/* 设置变量d1、d2的日期输入格式*/ input d1 d2; /* 读入变量d1、d2的值*/ intd=INTCK(day,d1,d2); /* 计算d1、d2日期之间的天数intd */ d3=INTNX(week,d1,10); /* 计算d1日期后10个星期时的日期d3 */ format d1-d3 YYMMDD8.; /* 设置变量d1、d2、d3的日期输出

22、格式*/ cards; 2001/06/30 2002/06/30结果： 2001:08:01 2001-10-01OBS D1 D2 INTD D3 proc print;1 01-06-30 02-06-30 365 01-09-02 run;2 01-08-01 01-10-01 61 01-10-07,28,获取系统的日期、时间,利用date()、time()等函数获取系统日期和时间。 例如：dt=date(); te=time(); 利用sysdate、systime系统宏变量获取SAS启动时的日期时间。 例如：dd=,29,列表模式输入,对分隔符(通常为空格)固定的数据源,可以采用

23、自由列表模式输入数据。一般形式为： input 变量名$ ; /*变量长度默认8,超过会截断*/ 其中,变量名指明数据集中要建立的变量,它们出现的顺序必须与数据源中的数据字段顺序匹配。 例：data scores; infile cards delimiter=,; input test1 test2 test3; cards; 91,87,95 97,92 ,1,1 /*这一行不会被输入？*/ ;run；,适用范围： 源文件中字段间至少有一个空格或特定字符分隔(分隔符固定); 字段只能按序输入; 缺失值必须用句点表示; 字符变量的值不能含有空格,长度一般不超过;,30,列表模式输入示例,源数

24、据文件imptdt04中含性别、年龄、银行卡数、银行卡使用次数、公司卡数、公司卡使用次数6字段数据,均以空格分隔,试建数据集。 data int04; infile d:sasimptdt04.dat; input sex$ age bankcard frebank depcard fredep; run;,31,带格式修饰的列表输入,为突破变量的默认长度限制,在列表输入模式中还可以加入输入格式修饰说明,一般形式为: input 变量名:$ 输入格式. ; 例如：imptdt06.dat中城市名超过8字符,两数值字段中有逗号。 data indt06; infile d:zxdsasimptd

25、t06.dat; input city: $12. pop70: comma9. pop80: comma9.; run; proc print; run;,32,命名模式输入*,当源数据文件中的数据字段里包含字段名时,往往需要采用命名模式输入较为方便。一般形式为： INPUT 指针 变量名=$ . |;INPUT 变量名= $ 始列 -终列 .小数位 |;INPUT 指针 变量名=informat. |; 例： data tem; infile cards; input name=$10. sex=$1. birthday= height=3.; informat birthday date

26、7.; /*此例中birthday=date7. 就不行!?*/ format birthday yymmdd10.; cards; name=Alex Bruce sex=M birthday=13Jun67 height=174 birthday=08Aug54 sex=F name=Cathy Lee ; run;/*注意：命名模式后面不能再跟其它输入模式*/,33,混合模式输入,对一些复杂的非标准的源数据文件,各数据字段需要不同的读入模式才能正确匹配,这时可在input语句中混合使用各种读入模式。 例：imptdt07.dat中前11列是社保号,接着7列是开始雇佣日期,20-25列是逗

27、号分隔的年薪,27列开始的字段是部门,最后是电话分机号。 Data mixdimpt; Infile d:zxdsasimpddt07; Input SSN $1-11 12 HireDate date7. 20 Salary comma6. Department : $9. Phone_No; Format HireDate yymmdd10. Salary Dollar7.; Run; 你知道这里用了几种输入模式吗?程序可以改动吗?,34,四、处理数据步的全过程,SAS系统执行数据步的过程主要分为两个阶段： 编译数据步 语法检查,代码转换（机器码） 创建输入缓冲区(存放数据源中的一行记录)

28、 创建一个程序数据向量PDV (可暂存数据集的当前一条观测) 创建SAS数据集的描述部分(数据集名称、观测变量个数和变量属性等) 执行数据步,35,程序向量数据缓冲器PDV,PDV（Program Data Vector）来存放当前的一个观测；观测数据经处理后存入数据集。这是数据步的主要工作场所。,PDV中包括两个自动生成的临时变量：_N_(记录数据步执行的次数)和_ERROR_(错误标志：0为无错误,1为发生错误),36,数据步执行阶段,在执行期间，SAS系统执行以下步骤：(除非另有指向) 1）PDV中所有的变量值被初始化为缺失值； 2）输入缓冲器据input语句的数据需求,读入源数据文件的

29、相应记录行, 并写相应的数据字段到PDV; 3）每个语句被顺序执行,并可修改PDV形成当前观测; 4）数据步语句一遍执行后, PDV中的值写入数据集;* 5）PDV中外部变量初始化为确失值,程序流程回到2）; 6）对数据源文件的每条记录都按上面步骤执行一次； 7）重复以上步骤直到外部文件中数据结束。,37,input语句后的单尾符,一个数据步内可以有多条input语句。但是当执行完一条input语句后,一般将放弃缓冲区内现有源数据行,而从源文件中再取一条记录更新缓冲区。若要保持现有源数据行供下一条input使用其数据,则应在input语句的最后加入跟踪符。 例：,data tmp1; inpu

30、t x; input y; cards; 11 22 33 44 55 66 ; run;,data tmp2; input x; input y; cards; 11 22 33 44 55 66 ; run;,data tmp3; input x; input y; cards; 11 22 33 44 55 66 ; run;,38,input语句后的双尾符,一般情况下,当程序执行到数据步底部后,也会从源数据文件中另取一行记录来更新缓冲区内原有数据。若要缓冲区内原有数据不放弃,使其在数据步的下一循环中仍可用,则应在input语句最后加上跟踪符。 例：,data tmp5; input x

31、 y; cards; 11 22 33 44 55 66 ; run;,data tmp6; input x y; cards; 11 22 33 44 55 66 ; run;,data tmp7; input a; input x y; cards; 11 22 33 44 55 66 ; run;,data tmp8; input a; input x 1-2 y; if _n_=10 then stop; cards; 11 22 33 44 55 66 ; run;,39,源数据的指针控制,当SAS从数据行中读取数据时，它用指针来跟踪当前数据的位置；指针控制符可为input语句指示数

32、据源中当前数据所在的行、列位置。 列指针控制符“+n”表示指针右移n列(n为负则左移n列)； 列指针控制符“n”表示指针移到第n列(绝对位置)； 列指针控制符“character-string”表示把指针移到数据行中字符串character-string后第一个非空格列。 行指针控制符“#n”表示指针移到第n行;(当一条观测有几行源数据时,起作用) 行指针控制符“#(expression)”表示指针移到表达式的值（必须为整数）所指的行。 行指针控制符“/”表示指针移到下一行的第一列。,40,指针控制符用法示例,行指针用法示例: data tmp1; input name:$10. age /

33、score1-score3; cards; zhangsan 12 88 98 67 lisi 13 77 98 86 ;run;,列指针用法示例1: data tmp2; m=-1;/*左移一列*/ input x 1-4 +m y 2 id$2.; /*drop m;*/ cards; 12345 24680 13579 ;run;,列指针用法示例2: data tmp3; input id $2. age 3-4 size= x; list; cards; 0116size=54.23 0215size=45.66 1318size=61.01 ;run;,41,由计算生成变量,在数据步

34、中,可以用赋值语句来生成新变量。一般形式为： 变量=表达式; 功能：将表达式的计算值赋给变量,若该变量不在数据集中,则新增之。 例: 输入工号、生日、工资、奖金,计算年龄和总收入。 data tmp; input id $2. 4 birthday yymmdd8. m1 m2; age=intck(year,birthday,date(); total=(m1+m2)*(1-0.05); cards; 01 66/07/03 598.50 1200 10 70/01/23 504.67 1100 ;run;,42,数据步内同时建多个数据集,利用条件控制语句if与输出语句output配合,可在

35、一个数据步内同时建立多个数据集。 例如：利用同一数据源建立两个数据集 data tmp1 tmp2; input name$ age score; if age=30 then output tmp1; else output tmp2; cards; JingJG 28 89 LiM 32 65 WangJ 21 98 LiuB 60 56 proc print; run;,43,IF语句及功能,一般形式： IF 表达式 THEN 语句1;ELSE 语句2； 功能： 当表达式为真时,执行语句1,当表达式为假时执行语句2(若无ELSE子句，则执行IF语句之后的其它语句);当任何子句均无，仅剩“

36、IF 表达式;”，则表示表达式为假的观测不再处理,也不进入数据集。 注意：如果THEN或ELSE后需要一组语句时，可放在“DO；”和“END；”语句之间。,IF expression THEN DO; statements ; . . . END; ELSE DO; statements ; . . . END;,44,OUTPUT语句及功能,(1)功能 将PDV中当前的处理观测值（记录）输出到OUTPUT指定的数据集中，该数据集必须已在DATA语句中定义过。 注意：一旦在DATA步中出现了OUTPUT语句，则原来在数据步末尾隐含的OUTPUT功能便不再起作用了。 (2)用法 格式：OUTPU

37、T 数据集名； 若省略数据集名，则当前观测值写到本数据步正在建立的数据集。,45,示例,生成有4条记录的数据集： data tmp; input x1-x3; y=x1;output; y=x2;output; cards; 1 2 3 4 5 6 proc print; run;,求和并统计大于8的输入数据个数 ： data info; input x; retain n 0 sumx 0; if x8 then goto ok; put x; n=n+1; ok: sumx=sumx+x; cards; 6 3 13 8 44 1 12 proc print; run;,46,RETAIN

38、语句和累加语句,RETAIN语句功能及用法： RETAIN语句使其中的变量在数据步的每次循环时,不被重新初始化。(有点类似C中的静态变量。) 格式：RETAIN 变量名1 初值1 变量2初值2; 或： RETAIN 变量名表 （初值表）; 累加语句功能及用法： 累加语句可对某一数值型变量求累加值。 一般格式： 变量+表达式； 在第一个观测值未读入前，该变量的初值为零，在数据步的每次循环中重复加入表达式值，若表达式计算结果为缺失值时，将作零处理。,47,示例,求和与平方和 ： data total; input x; retain sx 0 sx2 0; sx=sx+x; sx2=sx2+x*x

39、; cards; 2 5 4 3 6 7 run;,求薪水总数： data tmp; input name$ salary; total+salary; cards; Xu 800 Zhou 600 proc print; run ;,48,读层次数据文件,用数据步读入的文本数据文件中,有一类称为层次文件,它的记录根据其某个字符段可区分为是记录头或是详细记录。 例如,有一数据文件census.dat中,以H开头的行是头记录,其后包含一个地址;以P开始的行是详细记录,记录居住在该地址人员的姓名,年龄和性别。 data People(drop=type); infile H:sas TRUNCOV

40、ER 选项：如果末端的数据不够列宽则从这里截断，读取的部分数据被保留下来，当前变量之后的变量就会置为缺失值。,49,SAS函数,SAS函数是一个程序,它可以对一个或多个参数进行计算后返回一个值。每个SAS函数有一个关键字名。 调用函数应写出函数名和括号内的参数： 函数名(参数，.) (注意：函数的参数可以是常数、变量、函数或表示式) 当参数多于一个时，参数之间应该用逗号分隔，也可写成如下形式： 函数名(OF 变量1变量n) 函数名(OF 变量1 变量2 变量3) 例如:SUM(OF X1X100 Y1Y100) SUM(OF X Y Z) SUM(X1，X2，X3，X4),50,SAS函数功能

41、测试的小程序,测试函数功能的一个简单的程序示例： data _null_; y=sqrt(3); put y=,y ; run; 上述程序意图了解sqrt(根式)函数的功能、用法。,51,常用函数（一）,52,常用函数（二）,53,随机数产生示例,本例产生10个0,1均匀分布随机数和10个标准正态随机数。 data _null_; input num; a=ranuni(0);b=rannor(0); put n= num a= a b= b; cards; 0 1 2 3 4 5 6 7 8 9 run; 注： ranuni(seed)/rannor(seed)的参数为生成伪随机数算法的种子数，可在1231之间任取一整数，若seed取0,则表示以系统时间值做种子数。,54,函数lagn