SAS学习笔记

http://blog.csdn.net/chenyi8888/article/category/908775分类：数据分析与挖掘 2012-08-15 18:33 227人阅读评论(0)收藏举报

inputnulloutputsqluser数据库

最近在做SAS转换代码，之前学过，但时间长了有所忘记，为了以后方便查找，所以再次进行复习的时候，对SAS学习进行了简单的记载。

SAS常用语法结构

SAS的变量的基本类型

第一：数值型

第二：字符型 变量名后必须使用$说明符

其他数据类型中，日期、时间等变量存为数值型，可以使任意的整数，定点实数、浮点实数等，一般使用8个字节。字符变量默认的长度为8个字符，当然也可以通过length语句指定其长度。Length 字符型变量名 $ 长度

对数据处理两大步骤：数据步和过程步

数据步 以data语句开始，以run语句结束；过程步以proc开始，以run语句结束。

libname 库标记 '文件夹位置' 选项;

假设C盘目录下，有一个文件夹"user"，该文件夹下有一个sas数据集为aa。

那么就是这样执行：

libname a 'c:\user';

proc print data=a.aa;

run;

数据库分两个永久库和临时库：临时库就只有一个：名为WORK，永久库有多个。

指定两个库标记：

SASUSER:

WORK:

每个数据集都有一个两级名，第一级为库标记，第二级是数据集名

格式如下： 库标记.数据集名

DATA语句用于创建和处理数据集。作用有二：

第一：标志数据步调开始

第二：命名将要创建的SAS数据集

格式： DATA 数据集名;的

INFILE 用于从外部文件读入数据，必须出现在INPUT语句之前，主要功能如下：

第一：确定一个包含原始数据的外部文本文件

格式：INFILE '外部文件的所在位置及名称' 选项;

CARDS语句，用于直接输入数据，标志着数据块的开始。

CARDS:

数据块

;

INPUT语句，用于向系统表明如何读入每一条记录，主要功能：

读入由语句指定的数据列

为相应的数据域定义变量名

确定变量读入模式

格式：

INPUT 变量名 [变量类型 起止列数] ....;

数据的两种输入方式：直接输入和外部输入

SAS程序块

程序总是以PROC开头，后面紧跟程序步名

常用步名如下：

SORT 将指定数据集按指定变量排序

PRINT 将数据集中的数据列表输出

MEANS 对指定的数值变量进行简单的统计描述

FREQ 对指定的分类变量进行简单的统计描述

TTEST 对指定的变量做t检验

ANOVA 对指定的变量做方差分析

NPAR1WAY 对指定的变量做非参数校验

REG 对指定的变量做回归分析

CORR 对指定的变量做相关分析

CHART 绘出低分辨率的统计图

SQL 调用SQL语言

格式：

PROC 过程名 [data=数据集名] [选项];

该过程的专用语句描述;

[VAR 变量序列;]

[WHERE 条件表达式....;]

[BY 变量序列;]

RUN;

SAS各种常用随机函数

随机数函数名

作用

UNIFORM（seed）

产生（0，1）区域均匀分布随机数，乘同余发生器

RANUNI(seed)

产生（0，1）区域均匀分布随机数，素数模发生器

NORMAL(seed)

产生标准正态分布随机数，利用中心极限定理近似公式

RANNOR(seed)

产生标准正态分布随机数，利用变换抽样法

RANEXP(seed)

产生λ=1的指数分布随机数

RANGAM(seed,alpha)

产生伽马分布随机数，alpha>0,seed为任意数值

RANTRI(seed,h)

产生三角分布随机数，0<h<1,seed为任意数值

RANCAU(seed)

产生标准柯西分布随机数

RANBIN(seed,n,p)

产生二项分布随机数，n>0的整数,0<p<1,seed为任意数值

RANPOI(seed,lambda)

产生泊松分布随机数，lambda>0,seed为任意数值

RANTBL(seed,p1,…,p2,…pn)

产生离散分布随机数，0≤pi≤1,seed为任意数值

分支语句

if 条件 then 语句;

if 条件 then do 语句1;....语句n; end;

if 条件 then 语句; else 语句;

多分支结构：

select(选择表达式);

when(值列表) 语句;

when(值列表) 语句;

.....

otherwise 语句;

end;

或

select;

when(条件) 语句;

when(条件) 语句;

.....

otherwise 语句;

end;

SAS过程步常用命令

title 指定标题

var 指定分析变量

class 指定分类变量

model 指定模型形式

means 产生简单统计量

plot 绘制散点图

print 列出数据集内容

sort 按变量值进行排序

by 指定变量分组

output 指定输出结果存放的数据集

Freq 指定一个重复变量

where 选择数据集的子集

label 临时标签

我们这里给出了RETAIN语句几种常用的使用格式：

l Retain;

l Retain  T1  T2  T3;

l Retain  T1  T2  T3  100;

l Retain  T1  T2  T3  (100 );

l Retain  T1  T2  T3  (100  99  98 );

第一种使用格式表示用INPUT语句或赋值语句创建的所有变量从DATA步的这次执行到下一次重复时被保留。第二种使用格式规定了变量名字，变量列表或数组名，它们的值是用户想保留的。第三种使用格式表示一个变量列表T1、T2、T3接受同一个初始值100。第四种使用格式是将初始值100用小括号括起来，SAS系统将分配括号中的这个值给变量列表中的第一个变量，即T1=100，其它T2和T3为缺失值。第五种使用格式给出了初始值列表，将依此分配初始值列表中的值给变量列表中各个变量，即T1=100，T2=99，T3=98。

IN=选项

格式:SAS-data-set(IN=variable)

一个临时的数字类型的变量，其值为０或１

IN选项，当读入多个SAS数据集时，用IN选项可以确定本观测数据来自那个数据集。

variable＝0表示观测不是来自本数据集

variable＝１表示观测是来自本数据集

SAS聚类分析

PROC CLUSTER <数据集名> METHOD=NAME <options>;//必须语句

VAR

COPY

RMSSTD

ID

BY

FREQ

以上是可选择语句

if语句

data;

if x>y then

put "x>y";

else

if x<y then

put "x<y";

else

put "x=y";

run;

for语句

do 计数变量=初始值 to 终止值 by 步长;

....;

end;

do while (循环条件表达式);

.....;

end;

do until (循环条件表达式);

.....;

end;

= eq

< lt

> gt

< = le

> = ge

<> ne

set语句 表示从那个数据集里读入数据

格式：set 数据集名;

删除/增加变量或观测值

data Car;

set SASUSER.Car;

drop ID;

run;

data Car;

set SASUSER.Car;

keep Q1 B1 B2;

run;

数据拆分

data SASUSER.Car_low SASUSER.Car_high;

set SASUSER.car;

select;

when (B1<=2) output SASUSER.Car_Low;

otherwise  output SASUSER.Car_high;

end;

run;

数据合并有两种：纵向和横向

data SASUSER.Car_total;

set SASUSER.car_low SASUSER.car_high;

run;

proc sort=SASUSER.student_profile;

by ID;

run;

proc sort=SASUSER.student_score;

by ID;

run;

data SASUSER.student_total;

merge SASUSER.student_profile SASUSER.student_score;

by ID;

run;

proc print;run;

数据清洗

一般用proc sql的方式

数据修正

数据标准化

数据尺度变换 如：原始数据十分制变成百分制

数据更新 update

proc rank 其实最主要的是掌握那几个选项，该proc 的整体语法结构如下：

proc rank <选项>;

var 变量;

ranks 新变量名字;

by 分组变量;

run;

这是一个整体的语法结构，举例，比如说我要对sashelp中的height排名次：

proc rank data=sashelp.class out=result;

var height;

run;

很显然就是这样写，用var来指定要排名次的变量，但是你运行该程序后会发现一个问题，就是原来的height的值都被名次代替了。如果我想保留原来的height值，那就需要用ranks语句了：

proc rank data=sashelp.class out=result;

var height;

ranks r_height;

run;

这样原来的height变量就不会动,生成名次变量r_height，这就是ranks的作用。

例子：

proc rank descending out=oE11;

var compsit;

ranks rankcompsit;

proc sort; by rankcompist;

proc print data=oE11;

run;

均值

data;

x=mean(89,90,78,98,87,76,69,90,92,88);

put '均值=' x;

run;

均值统计里有两个概念：截尾均值和缩尾均值

前者是去掉最大N个和最小N值后的平均值

后者是最小的N个值用第N+1小的那个数值替换，同时也把最大的N个值用第N+1大的那个数值替换，然后计算均值

用univariate过程计算上述两种均值

data null;

input score@@;

cards;

89 90 78 98 87 76 69 90 92 88

;

proc univariate data=null trimmed=2 winsorized=2;

var score;

run;

中位数

如果数据个数是奇数，中位数是处于正中心位置的数值；如果数据个数是偶数，中位数则是处于正中心位置的两项数据的平均数

data;

x=median(89,90,78,98,87,76,69,90,92,88);

put '中位数=' x;

run;

分位数

就是分等分。在实际应用中四分位应用最为广泛。

在SAS中 Q1表示处于25%，Q3表示处于75%

data null;

input score@@;

cards;

89 90 78 98 87 76 69 90 92 88

;

proc means data=null q3 q1;

var score;

run;

众数

指数据中出现次数最多的数值。

data null;

input score@@;

cards;

190 188 188 185 183 183 180 180

180 180 177 175 175 174 173

;

proc univariate data=null modes;

var score;

run;

离散程度

集中趋势概括数据可以使人们在大体上对数据产生初步的印象，但是这些指标对数据进行高度抽象的同时，也忽略了一些必要的数据信息，使得

人们在某些情况下只能看到数据呈现出来的假象，而不能读懂其真正的内在涵义。

指标有级差、平均差、四分位差、异众比率、方差、标准差、标准误差及离散系数

级差

是数据最大值减去最小值所得的差

data;

x=range(89,90,78,98,87,76,69,90,92,88);

put '级差=' x;

run;

四分位差

具体指第3个四分位数减去地1个四分位数得到的差

其值越小，说明中间的数据越集中

data null;

input score@@;

cards;

190 188 188 185 183 183 180 180

180 180 178 177 175 175 174 173

;

proc means data=null qrange;

var score;

run;

方差

用全体数据进行计算的，因此它反映了所有数据相对于数据中心发散的平均程度。方差的算术平方根就是标准差。

data;

x=var(89,90,78,98,87,76,69,90,92,88);

y=std(89,90,78,98,87,76,69,90,92,88);

put '方差=' x '标准差=' y;

run;

标准误差

它的样本均值的标准差。在进行数据抽样中，由于随机性的存在，采用同一种抽样方法在不同的时间、地点、环境等条件下进行多次抽样，可能得到多个不同的样本数据。

标准误差不是观测值的实际误差，也不是误差范围，它只是对一组观测数据可靠性的估计。标准误差越小，则观测到可靠性大，反之则不大可靠。多数应用都用标准误差来评价数据的测量精度。

data;

x=stderr(89,90,78,98,87,76,69,90,92,88);

put '标准误差=' x;

run;

变异系数

变异系数是衡量相对离散程度的一个重要指标。具体是指一组数据的标准差与其相应的均值之比，变异系数越小，说明数据的离散程度越小。

举例说明，身高和体重差异如何进行对比？直接采用标准差是无法进行对比的，因为标准差是带有单位的，身高的单位是厘米，体重的单位是千克，不同的单位的统计量对比起来是没有任何意义的。为此，采用变异系数来消除量纲即计量单位的影响，进行对比。

data;

height=cv(157,170,161,184,184,168,166,158,174,166,173,189,188,163,161,189,183,186,188,155);

weight=cv(61,71,74,59,71,55,73,66,50,57,48,68,73,52,60,56,53,67,73,64);

put '身高的变异系数=' height '体重的变异系数=' weight;

if height>weight then

put '身高比体重的差异大';

else

if height<weight then

put '身高比体重的差异小';

else

put '身高比体重的差异相当';

run;

分布形状

在对数据进行概括性的分析时，考察集中趋势和离散程度是两个重要方面，但并非仅此而已。就像对一个人进行评价一样，不仅要考察人的高矮情况，也考考察胖瘦情况，更要看看一个人是否站有站相，坐有坐相。对于数据的分布状况，也要进行概括性的分析，才能掌握数据的全貌。

数据分布的测度主要考察数据分布的偏斜程度、扁平程度，以及数据分布是否对称，其指标主要有偏度和峰度两类。

偏度

是对数据分布对称性的测度。通常采用三阶中心矩的计算方法，其主要考察离差三次方之和与标准差的三次方的比例。

如果数据是对称的，则偏度等于0；如果偏度明显不等于0，则表明数据分布是非对称的，具体地说，偏度大于0时，均值右边的数据更为分散，表明数据右偏；偏度小于0时，均值左边的数据更为分散，表明数据左偏。

data;

x=skewness(190,188,188,185,183,183,180,180,180,180,178,177,175,175,174,173);

put '偏度=' x;

run;

峰度

用来反映数据分布曲线顶端陡峭或偏平程度的指标。这里所说的陡峭或偏平是针对标准正态分布而言的。

data;

x=kurtosis(190,188,188,185,183,183,180,180,180,180,178,177,175,175,174,173);

put '峰度=' x;

run;

sas利用FREQ、MEANS、UNIVARIATE过程进行描述统计分析。

proc freq <选项>;

by 变量/变量列表;

exact 统计选项</计算选项>;