SAS學習筆記

最近在做SAS轉碼，之前學過，但時間長了有所忘記，為了以後方便尋找，所以再次進行複習的時候，對SAS學習進行了簡單的記載。

 

SAS常用文法結構

SAS的變數的基本類型

第一：數值型

第二：字元型 變數名後必須使用$說明符

其他資料類型中，日期、時間等變數存為數值型，可以使任意的整數，定點實數、浮點實數等，一般使用8個位元組。字元變數預設的長度為8個字元，當然也可以通過length語句指定其長度。Length 字元型變數名 $ 長度

 

對資料處理兩大步驟：資料步和過程步

資料步 以data語句開始，以run語句結束；過程步以proc開始，以run語句結束。

 

libname 庫標記 '檔案夾位置' 選項;

假設C盤目錄下，有一個檔案夾"user"，該檔案夾下有一個sas資料集為aa。
那麼就是這樣執行：
libname a 'c:\user';
proc print data=a.aa;
run;

資料庫分兩個永久庫和臨時庫：臨時庫就只有一個：名為WORK，永久庫有多個。
指定兩個庫標記：
SASUSER:
WORK:

每個資料集都有一個兩級名，第一級為庫標記，第二級是資料集名
格式如下： 庫標記.資料集名

DATA語句用於建立和處理資料集。作用有二：
第一：標誌資料步調開始
第二：命名將要建立的SAS資料集
格式： DATA 資料集名;的

INFILE 用於從外部檔案讀入資料，必須出現在INPUT語句之前，主要功能如下：
第一：確定一個包含未經處理資料的外部文字檔
格式：INFILE '外部檔案的所在位置及名稱' 選項;

CARDS語句，用於直接輸入資料，標誌著資料區塊的開始。
CARDS:
  資料區塊
;

INPUT語句，用於向系統資料表明如何讀入每一條記錄，主要功能：
讀入由語句指定的資料列
為相應的資料域定義變數名
確定變數讀入模式

格式：
INPUT 變數名 [變數類型 起止列數] ....;

資料的兩種輸入方式：直接輸入和外部輸入

SAS程式塊
程式總是以PROC開頭，後面緊跟程式步名
常用步名如下：
SORT 將指定資料集按指定變數排序
PRINT 將資料集中的資料列表輸出
MEANS 對指定的數值變數進行簡單的統計描述
FREQ 對指定的分類變數進行簡單的統計描述
TTEST 對指定的變數做t檢驗
ANOVA 對指定的變數做方差分析
NPAR1WAY 對指定的變數做非參數校正
REG 對指定的變數做迴歸分析
CORR 對指定的變數做相關分析
CHART 繪出低解析度的統計圖
SQL 調用SQL語言

格式：
PROC 過程名 [data=資料集名] [選項];
   該過程的專用語句描述;
   [VAR 變數序列;]
   [WHERE 條件運算式....;]
   [BY 變數序列;]
RUN;

 

SAS各種常用隨機函數

隨機數函數名	作用
UNIFORM（seed）	產生（0，1）地區均勻分布隨機數，乘同餘發生器
RANUNI(seed)	產生（0，1）地區均勻分布隨機數，素數模發生器
NORMAL(seed)	產生標準常態分佈隨機數，利用中心極限定理近似公式
RANNOR(seed)	產生標準常態分佈隨機數，利用變換抽樣法
RANEXP(seed)	產生λ=1的指數分布隨機數
RANGAM(seed,alpha)	產生伽馬分布隨機數，alpha>0,seed為任意數值
RANTRI(seed,h)	產生三角分布隨機數，0<h<1,seed為任意數值
RANCAU(seed)	產生標準柯西分布隨機數
RANBIN(seed,n,p)	產生二項分布隨機數，n>0的整數,0<p<1,seed為任意數值
RANPOI(seed,lambda)	產生泊松分布隨機數，lambda>0,seed為任意數值
RANTBL(seed,p1,…,p2,…pn)	產生離散分布隨機數，0≤pi≤1,seed為任意數值

 

分支語句

if 條件 then 語句;

if 條件 then do 語句1;....語句n; end;

if 條件 then 語句; else 語句;

多分支結構：

select(選擇運算式);

when(值列表) 語句;

when(值列表) 語句;

.....

otherwise 語句;

end;

或

select;

when(條件) 語句;

when(條件) 語句;

.....

otherwise 語句;

end;

 

SAS過程步常用命令

title 指定標題

var 指定分析變數

class 指定分類變數

model 指定模型形式

means 產生簡單統計量

plot 繪製散佈圖

print 列出資料集內容

sort 按變數值進行排序

by 指定變數分組

output 指定輸出結果存放的資料集

Freq 指定一個重複變數

where 選擇資料集的子集

label 臨時標籤

 

 

我們這裡給出了RETAIN語句幾種常用的使用格式：

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 );

第一種使用格式表示用INPUT語句或指派陳述式建立的所有變數從DATA步的這次執行到下一次重複時被保留。第二種使用格式規定了變數名字，變數列表或數組名，它們的值是使用者想保留的。第三種使用格式表示一個變數列表T1、T2、T3接受同一個初始值100。第四種使用格式是將初始值100用小括弧括起來，SAS系統將分配括弧中的這個值給變數列表中的第一個變數，即T1=100，其它T2和T3為缺失值。第五種使用格式給出了初始值列表，將依此分配初始值列表中的值給變數列表中各個變數，即T1=100，T2=99，T3=98。

 IN=選項

格式:SAS-data-set(IN=variable)

一個臨時的數字類型的變數，其值為０或１

IN選項，當讀入多個SAS資料集時，用IN選項可以確定本觀測資料來自那個資料集。

variable＝0表示觀測不是來自本資料集

variable＝１表示觀測是來自本資料集

 

SAS群集
PROC CLUSTER <資料集名> METHOD=NAME <options>;//必須語句
VAR
COPY
RMSSTD
ID
BY
FREQ
以上是可選擇語句

if語句
data;
if x>y then
   put "x>y";
else
   if x<y then
      put "x<y";
   else
      put "x=y";
run;

for語句
do 計數變數=初始值 to 終止值 by 步長;
   ....;
end;

do while (迴圈條件運算式);
  .....;
end;

do until (迴圈條件運算式);
.....;
end;

= eq
< lt
> gt
<= le
>= ge
<> ne

set語句 表示從那個資料集裡讀入資料
格式：set 資料集名;

刪除/增加變數或觀測值
data Car;
set SASUSER.Car;
drop ID;
run;

data Car;
set SASUSER.Car;
keep Q1 B1 B2;
run;

 

資料拆分

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;

資料合併有兩種：縱向和橫向
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;

資料清洗
一般用proc sql的方式
資料修正
資料標準化
資料尺度變換 如：未經處理資料十分制變成百分制
資料更新 update

 

proc rank 其實最主要的是掌握那幾個選項，該proc 的整體文法結構如下：

           proc rank <選項>;
                var 變數;
                ranks 新變數名字;
                by 分組變數;
           run;

 這是一個整體的文法結構，舉例，比如說我要對sashelp中的height排名次：

          proc rank data=sashelp.class out=result;
               var height;
          run;
很顯然就是這樣寫，用var來指定要排名次的變數，但是你運行該程式後會發現一個問題，就是原來的height的值都被名次代替了。如果我想保留原來的height值，那就需要用ranks語句了：
         proc rank data=sashelp.class out=result;
              var height;
              ranks r_height;
         run;
這樣原來的height變數就不會動,產生名次變數r_height，這就是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;

均值統計裡有兩個概念：截尾均值和縮尾均值
前者是去掉最大N個和最小N值後的平均值
後者是最小的N個值用第N+1小的那個數值替換，同時也把最大的N個值用第N+1大的那個數值替換，然後計算均值
用univariate過程計算上述兩種均值
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;

中位元
如果資料個數是奇數，中位元是處於正中心位置的數值；如果資料個數是偶數，中位元則是處於正中心位置的兩項資料的平均數
data;
x=median(89,90,78,98,87,76,69,90,92,88);
put '中位元=' x;
run;

分位元
就是分等分。在實際應用中四分位應用最為廣泛。
在SAS中 Q1表示處於25%，Q3表示處於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;

眾數
指資料中出現次數最多的數值。
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;

離散程度
集中趨勢概括資料可以使人們在大體上對資料產生初步的印象，但是這些指標對資料進行高度抽象的同時，也忽略了一些必要的資料資訊，使得
人們在某些情況下只能看到資料呈現出來的假象，而不能讀懂其真正的內在涵義。
指標有級差、平均差、四分位差、異眾比率、方差、標準差、標準誤差及離散係數

級差
是資料最大值減去最小值所得的差
data;
x=range(89,90,78,98,87,76,69,90,92,88);
put '級差=' x;
run;

四分位差
具體指第3個四分位元減去地1個四分位元得到的差
其值越小，說明中間的資料越集中
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

用全體資料進行計算的，因此它反映了所有資料相對於資料中心發散的平均程度。方差的算術平方根就是標準差。
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 '標準差=' y;

run;

 

標準誤差
它的樣本均值的標準差。在進行資料抽樣中，由於隨機性的存在，採用同一種抽樣方法在不同的時間、地點、環境等條件下進行多次抽樣，可能得到多個不同的樣本資料。

標準誤差不是觀測值的實際誤差，也不是誤差範圍，它只是對一組觀測資料可靠性的估計。標準誤差越小，則觀測到可靠性大，反之則不大可靠。多數應用都用標準誤差來評價資料的測量精度。

data;

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

put '標準誤差=' x;

run;

 

變異係數

變異係數是衡量相對離散程度的一個重要指標。具體是指一組資料的標準差與其相應的均值之比，變異係數越小，說明資料的離散程度越小。

舉例說明，身高和體重差異如何進行對比。直接採用標準差是無法進行對比的，因為標準差是帶有單位的，身高的單位是厘米，體重的單位是千克，不同的單位的統計量對比起來是沒有任何意義的。為此，採用變異係數來消除量綱即計量單位的影響，進行對比。

 

 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 '身高的變異係數=' height '體重的變異係數=' weight;

if height>weight then

      put '身高比體重的差異大';

else

      if height<weight then

           put '身高比體重的差異小';

      else

           put '身高比體重的差異相當';

run;

 

分布形狀

在對資料進行概括性的分析時，考察集中趨勢和離散程度是兩個重要方面，但並非僅此而已。就像對一個人進行評價一樣，不僅要考察人的高矮情況，也考考察胖瘦情況，更要看看一個人是否站有站相，坐有坐相。對於資料的分布狀況，也要進行概括性的分析，才能掌握資料的全貌。

資料分布的測度主要考察資料分布的偏斜程度、扁平程度，以及資料分布是否對稱，其指標主要有偏度和峰度兩類。

 

偏度

是對資料分布對稱性的測度。通常採用三階中心矩的計算方法，其主要考察離差三次方之和與標準差的三次方的比例。

如果資料是對稱的，則偏度等於0；如果偏度明顯不等於0，則表明資料分布是非對稱的，具體地說，偏度大於0時，均值右邊的資料更為分散，表明資料右偏；偏度小於0時，均值左邊的資料更為分散，表明資料左偏。

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

用來反映資料分布曲線頂端陡峭或偏平程度的指標。這裡所說的陡峭或偏平是針對標準常態分佈而言的。

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過程進行描述統計分析。

proc freq <選項>;

by 變數/變數列表;

exact 統計選項</計算選項>;

 

 

 

待續………………