SAS DATA步之全解密

SAS DATA步對于SAS入門學(xué)習(xí)者來說是個難以理解的東西，因?yàn)镾AS封裝了一些過程，這種封裝對于有語言基礎(chǔ)的人來說反而是一個障礙。本文非常詳細(xì)的解釋了SAS 數(shù)據(jù)的編譯、執(zhí)行過程，對于了解SAS的基本運(yùn)行有很大幫助。不管SAS老鳥，新鳥，相信你都會有收獲，因?yàn)檫@篇文章是難得的如此系統(tǒng) ！

摘要

每個SAS數(shù)據(jù)步（SAS Data step，以后寫成簡寫“DATA步”）在整個SAS程序中編譯和執(zhí)行過程中。大量DATA步的處理過程都是非明示的（即隱藏不可見）。例如，盡管程序中沒有使用循環(huán)控制語句不包含循環(huán)，但DATA步都像一個自封裝的小程序以一種非明示的循環(huán)形式執(zhí)行。

這篇文章探討了一些非明示的DATA處理過程怎么控制你的DATA步實(shí)際運(yùn)行的。

需要提前說明的概念：

  程序數(shù)據(jù)向量（Logical Program Data Vector簡寫成PDV，臺灣地區(qū)翻譯成“程式資料向量”）

  SAS自動變量名及其使用

  理解data步的內(nèi)部處理過程

  代碼編譯期間發(fā)生的事情

  程序執(zhí)行期間實(shí)際發(fā)生了什么

  如何獲取和存儲變量屬性

你或許在程序中寫過大量的DATA步：一些能運(yùn)行，一些則運(yùn)行不了。有時候你知道為什么；有時你不知道為什么，甚至你冥思苦想而百思不得其解。如果碰到過這些問題，那么這篇文章很適合你。

Data步設(shè)計的非常好，但是有些另類。如果你想寫出很漂亮的代碼，就很有必要知道DATA步的工作原理。讀完這篇文章以后，“哦，哦，… 原來如此！”，一個即使使用SAS多年的老鳥，也會發(fā)出這樣的感嘆。

引言

DATA步是建SAS數(shù)據(jù)集的主要方法之一。要想成為一個優(yōu)秀的SAS程序員很有必要理解DATA步的各個環(huán)節(jié)，主要是因?yàn)橐恍┥婕?a href='/map/shujuchuli/' style='color:#000;font-size:inherit;'>數(shù)據(jù)處理和創(chuàng)建數(shù)據(jù)集的任務(wù)可能只能通過DATA步才能解決(這些任務(wù)不能通過SAS過程步（SAS procedures，以后簡寫成“SAS過程步”）解決、或者使用SAS過程步太過復(fù)雜而難以使用)。

了解DATA步的生命周期非常重要，它分為編譯和執(zhí)行兩個階段。同時學(xué)習(xí)PDV也非常重要。PDV貫穿SAS的編譯和執(zhí)行兩個階段，而且能決定了信息在DATA步中的存儲及變化。

編譯階段包括：

  編譯SAS語句，包括檢查語法

創(chuàng)建一個輸入緩存區(qū)（input buffer）（如果需要讀入原始數(shù)據(jù)文件）、一個PDV和描述性信息

執(zhí)行階段包括：

  計算Data步迭代的次數(shù)(從Data語句開始)

  將PDV中的所有變量設(shè)成缺失值并初始化自動變量

  讀取輸入觀測(從原始文件或SAS數(shù)據(jù)集)

  執(zhí)行附加的處理或計算語句

將一條數(shù)據(jù)記錄寫入輸出數(shù)據(jù)集并返回到DATA步語句

PDV貫穿編譯和執(zhí)行階段：

PDV是內(nèi)存中的一個臨時邏輯區(qū)域，SAS建立數(shù)據(jù)集時，每條觀察值只有一次機(jī)會用到PDV。

包含所有變量的當(dāng)前值

包含兩個自動變量：_N_和_ERROR_

如果你已經(jīng)了解控制DATA步處理過程的這些重要概念，那么你就能控制DATA步，來指揮SAS根據(jù)自己的意愿來工作和初始化自動變量。

DATA 步

一個DATA步包含SAS語言中的一組語句，這些語句具有以下功能：

  從外部文件讀入數(shù)據(jù)

  將數(shù)據(jù)寫入外部文件

  讀入SAS數(shù)據(jù)集和SAS視圖

  創(chuàng)建SAS數(shù)據(jù)集和SAS視圖

一旦數(shù)據(jù)可以以SAS數(shù)據(jù)集的形式訪問，你就可以通過SAS過程步來分析數(shù)據(jù)和寫報告。

可以運(yùn)用DATA步：

  創(chuàng)建SAS數(shù)據(jù)集(SAS數(shù)據(jù)集或SAS視圖)

  根據(jù)包含原始數(shù)據(jù)(外部文件)的文件創(chuàng)建SAS數(shù)據(jù)集

  通過提取子集、合并、修改和更新已經(jīng)存在數(shù)據(jù)集的方式來創(chuàng)建新的數(shù)據(jù)集

  分析、處理或展現(xiàn)數(shù)據(jù)

  為新變量賦值 （譯者注：有公式計算的情況下）

  撰寫報告或?qū)⑽募懭氪疟P或磁帶

  信息檢索

  文件管理

DATA步以“DATA”語句開始（即顯示的表明數(shù)據(jù)步的開始），以“RUN”語句結(jié)束，在結(jié)束時會編譯或執(zhí)行RUN語句。在數(shù)據(jù)步最后一個觀察值讀取前，“RUN”的功能都是以非顯示的形式執(zhí)行RETURN功能，去繼續(xù)循環(huán)的操作。

DATA步的生命周期圖

SAS提供了下面的流程圖來描述DATA步的處理過程。

From “The Secret Life of  DATA STEP” translated by sxlion

圖1  DATA步的動作流程圖

編譯階段

如上所述，DATA步的第一個階段就為編譯階段。在編譯階段SAS的任務(wù)如下：

  自動將SAS語句編譯成將會在后面執(zhí)行的機(jī)器語言

  確定每個變量的類型和長度

  確定變量是否有必要進(jìn)行類型轉(zhuǎn)換

  如果有INPUT語句，為外部文件新建讀取內(nèi)存緩存區(qū)

  創(chuàng)建PDV(Program Data Vector)

  創(chuàng)建數(shù)據(jù)集和變量屬性的描述性信息

  處理語句，該項(xiàng)任務(wù)僅限于編譯階段；這為編譯器如何新建變量提供信息；事實(shí)上，它們決定了如何在PDV內(nèi)建立變量及信息；這些信息包括：DROP;KEEP;RENAME;RETAIN;WHERE;LABEL;LENGTH;FORMAT;ARRAY;BY;ATTRIB

  創(chuàng)建自動變量；包括_N_,_ERROR_,END=,IN=,FIRST,LAST,POINT=

例1：語法錯誤檢查

1   data example_1;

2      x = ||Hi= ;

–

386

200

3       y = ||How=;

–

386

200

4      y = ||Your=;

–

386

200

5      y = ||Day=;

–

386

200

RROR 386-185: Expecting an arithmetic expression.  /*期望一個數(shù)學(xué)公式*/

ERROR 200-322: The symbol is not recognized and will be ignored.  /*符號不被識別，忽略*/

6    run; /*代碼6 運(yùn)行*/

執(zhí)行階段

把SAS代碼編譯成機(jī)器代碼后，輸入緩存區(qū)，PDV和描述性信息。執(zhí)行階段進(jìn)入重要階段，SAS將按照默認(rèn)的順序執(zhí)行以下功能：

  從DATA語句開始，將_N_值設(shè)定為1（隨著DATA語句的每次迭代，變量_N_自動加1）

  把PDV(Program Data Vecctor)中的變量設(shè)為missing

  用Input語句把一條數(shù)據(jù)記錄讀入緩存區(qū)(如果讀入的是原始文件)

  用SET，MERGE，MODIFY或UPDATE語句，把SAS數(shù)據(jù)集里的一條觀測值讀入到PDV

  執(zhí)行DATA步中存在的程序語句

  將一條觀測寫入輸出數(shù)據(jù)集，碰到語句data _NULL_的情況除外，即無需寫入數(shù)據(jù)

  一個迭代結(jié)束，返回到DATA語句的開始

  每個迭代過程都循環(huán)進(jìn)行直到達(dá)到輸入文件(或輸入數(shù)據(jù)集)結(jié)尾

  如果DATA步?jīng)]有讀入任何記錄，執(zhí)行(默認(rèn)情況)行為只進(jìn)行一次

  可以通過條件語句IF-THEN-ELSE、DO Loops、LINK,RETURN和GO TO等語句改變執(zhí)行的默認(rèn)順序  

例2：默認(rèn)和強(qiáng)制情況下的順序

第一個例子是一個簡單的DATA步，它遵循語句的標(biāo)準(zhǔn)執(zhí)行過程并輸出數(shù)據(jù)記錄。這個例子中，一個迭代過程產(chǎn)生了一個觀測：

data example_2;

x = ‘Minnesota’;

y = ‘Columbus’;

run;

The log presents the following message: /*日志輸出如下信息*/

NOTE: The data set WORK.EXAMPLE_2 has 1 observation and 2 variables.

第二個例子展現(xiàn)了數(shù)據(jù)步的一個迭代過程如何生成5條觀測。DO LOOP循環(huán)改變了執(zhí)行的默認(rèn)順序。

data example_3;

do i = 1 to 5;

x = ‘Minnesota’;

y = ‘Columbus’;

output;

end;

run;

The log presents the following message

NOTE: The data set WORK.EXAMPLE_2 has 5 observations and 3 variables.

PDV（Program Data Vector）

在SAS參考教程中將PDV定義為：“PDV是內(nèi)存中用來創(chuàng)建數(shù)據(jù)集的邏輯區(qū)域，每次只涉及一條觀測值。當(dāng)程序執(zhí)行時，SAS從輸入緩存區(qū)中讀入數(shù)值或通過執(zhí)行SAS語句創(chuàng)建數(shù)值。數(shù)據(jù)值賦給PDV中一個合適的變量。SAS將該數(shù)值作為一條觀測值寫入SAS數(shù)據(jù)集?！?

換句話說：PDV(Program Data Vector)是內(nèi)存中的一個存儲空間，包含了DATA步涉及的所有變量。變量出現(xiàn)的順序決定了在他們在PDV中的順序。每個變量可能會有一個標(biāo)記，用于指示他們是被保留（Keep）、舍棄（Drop）或是改名（Rename）。當(dāng)程序運(yùn)行時，PDV包含的觀測值被處理。在結(jié)束時，數(shù)據(jù)根據(jù)程序中的DROP、KEEP或RENAME標(biāo)識被輸出。

輸入緩存區(qū)創(chuàng)建完成后，PDV也隨即創(chuàng)建完成。PDV是內(nèi)存中創(chuàng)建數(shù)據(jù)集的地方，一次僅創(chuàng)建一個觀測。像術(shù)語輸入緩存區(qū)（Input buffer）一樣，PDV也只是一個邏輯概念。

  PDV(Program Data Vector)中包含兩個自動變量供數(shù)據(jù)步使用，但是這兩個自動變量并不會作為觀測的一部分輸出到數(shù)據(jù)集。

  _N_對DATA步開始執(zhí)行后的迭代次數(shù)進(jìn)行計數(shù)

  _ERROR_表示在數(shù)據(jù)步執(zhí)行期間有錯誤發(fā)生。_ERROR_的默認(rèn)值為0，表示程序沒有錯誤。當(dāng)程序中出現(xiàn)一個或多個錯誤時，_ERROR_的值變?yōu)?。

  變量First.By-variance和變量Last.By-variance：這兩個臨時變量總是成對出現(xiàn)，By語句中的每一個By變量都對應(yīng)著一對臨時變量。當(dāng)他們的條件為真或假時分別相應(yīng)的賦值為1或0。

PDV

臨時變量（Temporary variables）可以通過SAS選項(xiàng)和語句來創(chuàng)建，和自動變量一樣，臨時變量也不會輸出到數(shù)據(jù)集。一些臨時變量包括：

  選項(xiàng)IN=變量：IN=是數(shù)據(jù)集的一個選項(xiàng)，表示一個特定數(shù)據(jù)集是否貢獻(xiàn)了當(dāng)前觀察值。程序員可以用該選項(xiàng)指定一個變量名，當(dāng)觀測在數(shù)據(jù)集中時變量值為1否則為0。

  END=變量名：END=是SET語句的一個選項(xiàng)表示已經(jīng)達(dá)到輸入數(shù)據(jù)集的結(jié)尾。如果達(dá)到文件的結(jié)尾，程序員通過指定一個變量名，當(dāng)數(shù)據(jù)達(dá)到最后一個時，該變量被賦值1，否則為0。一個SET語句只能設(shè)一個END=選項(xiàng)。如果SET語句后有多個數(shù)據(jù)集，只有達(dá)到最后一個數(shù)據(jù)集的最后一條觀測值時，該變量的值才為1。

如果需要把臨時變量和自動變量的值輸出到數(shù)據(jù)集，則需要把臨時變量或自動變量的值賦給用戶定義的變量。

PDV存儲數(shù)據(jù)集中的、input 涉及的或data步執(zhí)行過程中創(chuàng)建的所有變量，包括用戶自定義、自動和臨時的變量。PDV被用來填充輸出數(shù)據(jù)集。輸出數(shù)據(jù)集中的所有變量都在PDV(Program Data Vector)中，但并不是PDV(Program Data Vector)中的所有變量都輸出到最終數(shù)據(jù)集。

SAS執(zhí)行過程中，在DATA步迭代之初都會把PDV(Program Data Vector)中非保留和非輸入變量設(shè)為缺失值。SAS從輸入文件或一個SAS數(shù)據(jù)集讀入數(shù)據(jù)到PDV(Program Data Vector)中，同時會替掉以前存在的值。

DATA步處理過程：系統(tǒng)介紹

Example 4 – simple default – no reading of input data /*簡單默認(rèn)-沒有讀入input數(shù)據(jù)*/

data example_4;

put “after compile before execution: ” _all_;

x = “GOOD”;

y = “MORNING”;

z = “COLUMBUS”;

n = 4;

k = n*2;

put “at end of execution: ” _all_;

run;

編譯階段PDV的設(shè)置如下：

在DATA步結(jié)尾，PDV執(zhí)行結(jié)果如下：

例1中有一條觀測輸出。DATA步只進(jìn)行了一次迭代。除了_N_和_ERROR_兩個變量，數(shù)據(jù)集中包括剩下的所有變量。

Example 5 – reading of raw input data /*讀取原始input數(shù)據(jù)*/

data total_points (drop=Class);

input class $ StudentName $ Subject1 Subject2 Subject3;

Total = (Subject1 + Subject2 + Subject3);

datalines;

Knights Sue    6  8  8

Kings Jane     9  7  8

Knights John   7  7  7

Knights Lisa   8  9  9

Knights Fran   7  6  6

Knights Walter 9  8 10

;

Run;

由于這個例子包含了原數(shù)據(jù)input文件。SAS在把這些數(shù)據(jù)發(fā)送到PDV之前先創(chuàng)建內(nèi)存緩沖區(qū)來存儲數(shù)據(jù)。

注意：如果輸入文件是一個SAS數(shù)據(jù)集，SAS就不會在創(chuàng)建內(nèi)存緩沖區(qū)。SAS會把數(shù)據(jù)直接傳送到PDV。

內(nèi)存緩沖區(qū)input buffer

PDV 

注意，在上面表格中，數(shù)值變量和字符變量分別被初始化為點(diǎn)和空格。自動變量_N_的初始為1；自動變量_ERROR_的初值為0.

讀入第一條觀測后，PDV如下所示：

當(dāng)SAS執(zhí)行DATA步最后一條語句時，除了被標(biāo)記為drop的變量，PDV中剩余的所有值將作為一個觀測輸出到數(shù)據(jù)集TOTAL_POINTS。

接著SAS會回到DATA步開頭進(jìn)行下一輪迭代。SAS按照下面的方式重設(shè)PDV中的值。

  INPUT語句創(chuàng)建的變量值被設(shè)為缺失值。

  累加語句創(chuàng)建的值自動保留。

  Retain語句中的變量值自動保留     /* 原文無，sxlion補(bǔ)充*/

  自動變量_N_的值自動加1，_ERROR_的值重設(shè)為0。

下表展示了每條記錄被寫入例2數(shù)據(jù)集之前在PDV中的存在形式。應(yīng)該牢記：PDV每次只存一條觀測，而且在新數(shù)據(jù)存入之前把原數(shù)據(jù)寫入到輸出數(shù)據(jù)集中。

總結(jié)

可視化PDV對理解DATA步的執(zhí)行過程非常有幫助。對于簡單的DATA步來說似乎沒有必要，但是這樣做對理解DATA步很有益。如果你在某種程度上理解了一個數(shù)據(jù)集的讀入和輸出，那么你不至于寫出類似下面這個的多個DATA步。數(shù)據(jù)分析師培訓(xùn)

data a;

set perm.a ;

data b;

set a ;

x = y + 2;

既然數(shù)據(jù)集PERM.A中的每個觀測都被復(fù)制到PDV中，那么為什么不同時創(chuàng)建X變量呢？

當(dāng)你想做復(fù)雜的事情時，你需要非常具體而不是模糊地知道關(guān)于PDV中存儲的信息和SAS處理這些信息的規(guī)則。當(dāng)你的程序沒有按照你的意愿執(zhí)行，通過PUT語句或DATA步將PDV中的部分信息輸出到日志查看。