SAS学习系列05.-数据步创建数据集的过程

05.数据步创建数据集的过程数据步创建数据集的过程分为两个阶段：1.编译阶段：扫描语法错误，生成数据集的“描述信息”；2.执行阶段：逐条记录地读入并处理输入数据（循环执行若干次数据步）。（一）编译阶段将数据从外部文件读入“程序数据向量”（ProgramDataVector）。一、在输入缓冲区（内存）创建“程序数据向量”注意：是读入外部数据时创建，而不是读入SAS数据集时创建。例1下面的数据步代码：datainvents;infile'D:\我的文档\MySASFiles\9.3\invent.dat';inputItem$1-13IDnum$15-19InStock21-22BackOrd24-25;Total=instock+backord;run;将创建如下的“程序数据向量”：包括_N_：记录数据步执行的次数，读入一条记录则+1；_ERROR_：用来指示错误，默认是0，遇到错误则变为1；注意：_N_和_ERROR_是该处理过程自动生成的，将来也不会出现在数据集的观测值中。Item、IDnum、InStock、BackOrd：数据集自身的变量，其变量属性（长度、类型等）在第一次读到数据时确定；Total：数据步中赋值语句生成的变量。二、检查语法错误（1）关键词缺少或拼写错误；（2）无效的变量名；（3）标点符号缺失或拼写错误；（4）无效的可选参数。三、生成数据集的“描述信息”遇到数据步的run;语句时生成，包括：（1）数据集的名称；（2）数据集包含变量的个数；（3）数据集各变量的变量名和属性。注意：此时，“程序数据向量”中还没有内容，数据集中也还没有观测值，观测值将在执行阶段从“程序数据向量”中逐条读取。（二）执行阶段逐条记录地从“程序数据向量”读入并处理输入数据（循环执行若干次数据步）。例如，例1中的invent.dat文件共有9条记录：数据步读入它将循环执行9次。执行阶段具体步骤：第1次循环：一、初始化“程序数据向量”_N_=1_ERROR_=0其它变量=缺省值（数值型是.字符型是空格）二、执行input语句前例中，代码inputItem$1-13IDnum$15-19InStock21-22BackOrd24-25;Total=instock+backord;依次将外部数据文件的第一行的1-13列读入数据存入Item变量，……，赋值语句将instock和backord值相加赋给Total.三、数据步收尾工作1.将当前“程序数据向量”中的条目，作为第1条观测值写入输出数据集。2.回到数据步起始位置（循环），_N_+1=2,_ERROR=0（若必要）进入第2次循环…………直到读取到外部数据文件的“文件尾标识”，完成数据步。注意：（1）若不想读入全部数据，可以在infile语句中加上可选参数，控制读入观测值数目：例如infile'C:\invent.dat'obs=10;也可以在input语句中加上if语句做选择读入，例如datafinance.newcalc;infilenewloans;inputLoanID$1-4Rate5-8Amount9-19;ifrate0thenInterest=amount*(rate/12);elseput'DATAERROR'rate=_n_=;run;（2）数据步中若另有指示语句，将按指示语句执行；（3）SAS日志文件信息，将确保外部数据正确地读入数据集：（三）修改错误数据数据集创建完成后，需要检查数据的正确性（检查日志文件、输出数据报表、输出数据的均值或频率等）。发现某个数据值错误，可以用“if语句”对错误数值进行修改，当然也可以在可视化窗口操作修改数据。例2路径“D:\我的文档\MySASFiles\9.3”下，有数据集patients.sas7bdat:发现：性别G应修改为F；年龄242明显是错误（删除该条观测值）。代码：libnamemylib'D:\我的文档\MySASFiles\9.3';datanewpatients;setmylib.patients;Sex=upcase(Sex);ifSex='G'thenSex='F';ifAge110thendelete;run;procprintdata=newpatients;run;运行结果：（四）RETAIN和SUM语句从前面（二）中知道，迭代（循环）执行从“程序数据向量”读入数据（观测值）时，SAS会先将所有变量值设为缺省值，再通过input或赋值语句改变它。RETAIN和SUM语句可以改变这种方式。1.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变量1变量2…;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变量初始值;2.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：变量+表达式;该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变量0;变量=sum(变量,表达式);例3某赛季棒球比赛的数据（C:\MyRawData\Games.dat），包含比赛日期、参赛队伍、hit数据、runs数据：要求增加两个变量，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。代码：datagamestats;infile'c:\MyRawData\Games.dat';inputMonth1Day3-4Team$6-25Hits27-28Runs30-31;retainMaxRuns;MaxRuns=MAX(MaxRuns,Runs);RunsToDate+Runs;run;procprintdata=gamestats;titleSeason'sRecordtoDate;run;运行结果：程序说明：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。