利用SAS進(jìn)行數(shù)據(jù)清洗技術(shù)—缺失值查詢

數(shù)據(jù)清洗技術(shù)是統(tǒng)計(jì)分析之前必做的一步，而且也是非常麻煩的一步，有時(shí)甚至花費(fèi)的時(shí)間比統(tǒng)計(jì)分析都長。所以沒有一定的技巧，這將是個(gè)非常煩人的工作。本篇文章介紹如何利用sas進(jìn)行缺失值的查詢工作。

假定我們有數(shù)據(jù)集aa，包含如下變量（數(shù)據(jù)省略）：

ID dose gender age t0 t1 a1 a2

最簡單的方式當(dāng)然就是挨個(gè)變量找缺失值，如下：

data missing；

set aa；

if id=. or dose=. or gender=. or age=. or t0=. or t1=. or a1=. or a2=.；

proc print；

run；

這種方式很好理解，就是利用if語句逐個(gè)判斷每個(gè)變量是否有缺失（注意，如果變量時(shí)文本型，不能寫=.，而是=" "），但缺點(diǎn)也是顯而易見的，如果不是現(xiàn)在的8個(gè)變量，而是80個(gè)變量，那寫一遍估計(jì)要累個(gè)半死。所以我們用下面的語句節(jié)省體力：

data missing(drop=i)；

set aa；

array num{8} id dose gender age t0 t1 a1 a2；

do i=1 to 8；

if num{i}=. then output；

end；

這種方式好像比上面的更復(fù)雜了，但效率提高了n倍（取決于你的變量有多少）。這種方式是利用數(shù)組判斷缺失值，不管有100個(gè)還是1000個(gè)變量，對數(shù)組來說沒什么區(qū)別，只是數(shù)組中變量的個(gè)數(shù)改變一下而已（如本例中的8）。

當(dāng)這種方式仍不是最節(jié)省的，因?yàn)槲覀冞€是需要把這8個(gè)變量一一寫出來，那可不可以就不寫變量名呢。當(dāng)然可以，還有更簡單的方式如下：

data missing(drop=i)；

set aa；

array num{*} _all_；

do i=1 to dim(num)；

if num{i}=. then output；

end；

當(dāng)這種方式更簡單了，而且是個(gè)通用語句，不管你有10個(gè)還是1000個(gè)變量，都可以用這種方式來查詢，一個(gè)字母都不用改。當(dāng)然前提是所有變量都是數(shù)值型，如果是文本型，那就應(yīng)該是num{i}=" "。

還有另外一種非常簡潔 的方式是利用函數(shù)，如下：

data missing(drop=i)；

set aa；

array num{*} _all_；

do i=1 to dim(num)；

if missing(num{i}) then output；

end；

用函數(shù)的這種方式有什么好處呢？起碼有一點(diǎn)，你不用考慮到底是數(shù)值還是文本，全部都是missing(變量)就行了。否則你還得想著數(shù)值是.，文本是" "。一不小心忘了容易出問題。

前面所說的都是假定所有變量都是同一種類型的，如果變量中既有數(shù)值型，又有文本型，那怎么辦呢？如下程序就很簡單了：

data missing(drop=i)；

set aa；

array a _numeric_；

do i=1 to dim(a)；

if missing(a) then output；

end；

array b_character_；

do i=1 to dim(b)；

if missing(b) then output；

end；

毫不夸張地說，這個(gè)簡直就是個(gè)缺失值的通用語句，同時(shí)遍歷了數(shù)據(jù)集中的數(shù)值型和文本型的所有缺失值。所有的缺失值查找，幾乎都可以這一語句來實(shí)現(xiàn)，它幾乎包含了所有的可能情況，還能苛求什么呢？套用就行了。