SAS 对数据的拼接与串接

放弃爱

SAS 对数据的拼接与串接
使用SAS对数据进行串接、合并、更新与修改。

1. 数据集的纵向串接
数据集的纵向串接指的是，将两个或者多个数据集首尾相连，形成 一个新的数据集。

对数据集的纵向串接可以通过以下两种方法实现：

·使用SAS DATA步的SET语句。
·使用SAS过程步的APPEND过程。
1.1 使用SET语句实现纵向串接
1.基本形式

使用SET语句实现纵向串接的基本形式如下： DATA 新数据集; SET 数据集1 数据集2<数据集3 数据集4 …>; RUN;

其中：

·SET语句中的数据集1、数据集2都为输入数据集。
·串接后的数据存储在DATA语句的新数据集中。
·SET语句可以同时读入多个数据集，新数据集将包含各输入数据集 中的所有变量。


对数据集Work.New_Emloyee和Work.Old_Emplyee进行串 接。

以下代码创建了数据集： data work.New_Employee; input Emp_ID $ Emp_Name $ @@; datalines; ET001 Jimmy ED003 Emy EC002 Alfred EQ004 Kim ; run; data work.Old_Employee; input Emp_ID $ Emp_Name $ @@; datalines; EQ122 Molly ET121 Dillon ET123 Helen ED124 John ; run

数据集Work.New_Emloyee和Work.Old_Emplyee含有相同的变量Emp_ID和Emp_Name。串接两个数据集的示例代码如下： data work.Employee;setwork.Old_Employee work.New_employee ; run; proc print data=work.Old_Employee; title'Old Employee'; run; proc print data=work.New_Employee; title'New Employee'; run; proc print data=work.Employee; title'All Employee'; run;



从输出内容中可以观察到新数据集work.Employee包含了2个变量和8条观测，work.Old_Employee的观测直接加在了work.New_Employee的 后面，名称相同的字段放在同一变量下。

如果Work.New_Employee和Work.Old_Emplyee中含有的变量不全一 致，将这两个数据集进行串接时，情况会是如何呢？

以下代码在Work.New_Emloyee和Work.Old_Emplyee中分别用IF语句创建了新变量Dept和Gender。 data work.New_Employee_Dept;setwork.New_Employee;if substr(Emp_ID,2,1)="T" then Dept="TSG";else if substr(Emp_ID,2,1)="Q" then Dept="QSG"; else if substr(Emp_ID,2,1)="D" then Dept="DSG"; else if substr(Emp_ID,2,1)="C" then Dept="CSG"; run; data work.Old_Employee_Gen;setwork.Old_Employee;if mod(substr(Emp_ID,length((trim(Emp_ID))),1),2)=0 then Gender="F";else Gender="M"; run;

对数据集Work.New_Emloyee_Dept和Work.Old_Emplyee_Gen进行串接。 示例代码如下：

data work.Employee_Update;setwork.Old_Employee_Gen work.New_employee_Dept; run; proc print data=work.Employee_Update; title'All Employee Update'; run;



新数据集work.Employee_Update和work.Employee一样含有8条观 测，但是work.Employee_Update含有4个变量，依次为Emp_ID、Emp_Name、Gender和Dept。由于work.Old_Employee_Gen中不含有Dept，因此串接后前4条观测的Dept都为缺失值，同样Gender在work.New_Employee_Dept中不存在，串接后的后4条观测其Gender都为 缺失值。

1.2 使用BY语句进行穿插串接
在例4.2中，如果要让串接后的新数据集中的8条观测按照Emp_ID的 升序排列，该如何操作呢？这时需要引入穿插串接的概念。穿插串接就是使得新数据集的观测按照一定顺序排列的串接方法。

基本形式如下： DATA 新数据集; SET 数据集1 数据集2<数据集3 数据集4 … >; BY 变量1<变量2 变量3 变量4 … >; RUN;

BY语句在处理多个数据集时经常使用，为了更好地理解本章后面 的内容，这里需要引入BY变量、BY变量组、BY变量值和BY组合的概 念。

·BY语句中的变量称为BY变量，一个BY语句中可以有多个BY变量。
·当BY语句中有多个变量时，称这些变量为BY变量组。
·BY变量值指的是BY变量的取值。
·BY组合指的是具有相同BY变量值的观测的集合。当有多个BY变量时，BY组合就是使得所有BY变量的取值完全相同的观测的集合。
为了便于理解，在本章后面的阐述中，BY变量既代表一个BY变 量，也可以是多个BY变量。

在使用BY语句时，所有输入数据集都必须是按BY变量排过序，或 者有基于BY变量建立的索引（在以后的所有代码中，使用BY语句都有 这样的要求）。串接完毕后，新数据集中的观测也将按照BY变量排 序。

对数据集Work.New_Emloyee_Dept和Work.Old_Emplyee_Gen进行穿插串接。

由于work.New_Employee_Dept和work.Old_Employee_Gen都没有按 照Emp_ID排序，在对这两个数据集进行穿插串接时，首先必须对其按Emp_ID排序。 proc sort data=work.New_Employee_Dept; by Emp_ID; run; proc sort data=work.Old_Employee_Gen; by Emp_ID; run; data work.Employee_Int;setwork.Old_Employee_Gen work.New_Employee_Dept; by Emp_ID; run; proc print data=work.Employee_Int; title'All Employee Interleaving by ID'; run;



1.3.使用LENGTH语句
当输入数据集中同名变量的长度不一样时，新数据集中该变量的长度等于SET语句中第一个数据集中对应变量的长度。在对多个数据集进 行串接时，最好先检查字符型变量的长度，避免在读取变量值时造成截 断。如有需要，可以在使用SET语句之前使用LENGTH语句来定义变量 的长度。

使用LENGTH语句定义变量长度的基本形式如下： LENGTH 变量1 < $ >长度 <变量2 < $ >长度 …>;

在定义字符型变量的长度时，需在长度前面加上$符号。

使用LENGTH语句将数据集work.Employee中Emp_ID的长度定义为15。 示例代码如下： data work.Employee; length Emp_ID $15;setwork.New_Employee work.Old_employee; by Emp_ID; run;

1.4 使用选项RENAME=
在上面的例子中，输入数据集中相同含义的字段正好同名，但是在很多情况下，由于数据来自于不同的部门系统和时期，输入数据集中相 同含义的变量往往不具有相同的变量名。例如，在一个数据集中表示员 工ID的变量名叫ID，在另一个数据集中表示员工ID的变量名叫Emp_ID，在进行数据拼接的时候，如果不做另外的处理，这两个变量 将会被SAS认为是两个不同的字段，并分别存储在两个不同的变量下。 这时可以使用RENAME=选项将两个数据集中的变量名改成一致的名 称，避免出现前面描述的问题。

使用RENAME=选项的基本形式如下： 数据集（RENAME= (原变量名1 = 新变量名1 <原变量名2 = 新变量名2 … >)）；

2 使用APPEND过程实现纵向串接
使用APPEND过程进行数据集串接的基本形式如下： PROC APPEND BASE=主数据集 <DATA=追加数据集> ;

其中：

·主数据集表示需要增加观测的数据集。该主数据集可以是已经存 在的数据集，也可以是不存在的数据集。当主数据集不存在时，在执行完APPEND过程后，将生成主数据集，并将追加数据集的观测复制到主数据集中。
·追加数据集中包含了需要被添加到主数据集中的观测。这个语句可以是默认的，此时，SAS会将当前数据集的观测添加到主数据集的后 面。当前数据集指的是SAS系统最近一次生成的数据集。通常情况下， 为了保证程序的可读性，不建议默认。
·FORCE选项会强制将追加数据集中的观测添加到主数据集中。后面将会介绍需要使用FORCE选项的3种情况及其结果。
使用APPEND过程进行串接时，SAS不会处理主数据集中的观测， 而是直接将追加数据集的观测添加到主数据集最后一条观测的后面，且 变量仅包含主数据集中的变量。

运用APPEND过程将work.New_Employee_Dept和 work.Old_employee_Gen两个数据集进行纵向串接，并将串接后的数据 集保存在work.Old_employee_Gen中（前面在介绍SET语句的时候，已经 介绍并操作过这两个数据集）。

两个数据集的基本情况如图所示。 两个数据集所含的变量不全一致，需要使用FORCE语句来进行串接，代码如下： proc append base=work.Old_Employee_Gen data=work.New_Employee_Dept FORCE; run;

串接后的数据集work.Old_Employee_Gen如图所示。





从上面的例子可以观察到，串接后work.Old_Employee_Gen中仅包含原来含有的变量，观测数为两个数据集中的观测之和。这里使用了 FORCE选项，如果去掉FORCE选项，串接将失败，这是因为追加数据 集work.New_employee_dept中含有主数据集没有的变量。

使用APPEND过程时特别需要注意FORCE选项的使用，下面介绍需要使用FORCE选项的3种情况，以及使用FORCE选项后的结果。

·第一种情况，如果追加的数据集中存在不包含在主数据集中的变量，使用FORCE选项将会使得串接成功，但仅存在于追加数据集中的变量不会被添加到主数据集中。

·第二种情况，如果同名变量在主数据集和追加数据集中的类型不一样，那么需要使用FORCE选项，但是追加进主数据集的观测对应的这个变量的值为缺失。

·第三种情况，如果同名变量在追加数据集中的长度大于主数据集中的长度，那么需要使用FORCE选项，在执行过程中，追加数据集中的变量值可能会被截断。

当主数据集中包含追加数据集中不含有的变量时，串接成功，同时 系统会在日志中生成警告，并且追加数据集中不含有的变量之值都为缺 失。另外，当两个数据集中同名变量的属性不一致时，将沿用主数据集 中变量的属性。

在企业交易系统数据的维护过程中可以使用APPEND过程，例如主 数据集可以表示历年的交易记录，追加数据集可以表示每年新增的交易 记录，使用APPEND过程可以将每年新增的销售记录方便快速地串接到 历年的销售记录中。

注意　在使用APPEND过程时，一定要注意观察日志信息，避免产生数据缺失、截断等异常结果。

1. SET语句与APPEND过程的比较
对两个数据集进行纵向串接时，如果两个数据集中的变量名称和属性都相同，使用SET语句和APPEND过程，可以得到完全一样的结果。 但是使用APPEND过程的效率比使用SET语句高，尤其是当主数据集的观测量很大时，这是因为APPEND过程不对主数据集的观测进行操作， 而是直接把追加数据集的观测加到主数据集的后面。

当输入数据集的个数、所包含的变量或者变量属性不一致时，两种 方法有较大差别，如表4.1所示。

2表4.1　SET语句和APPEND过程比较



2 数据集的横向合并
数据集的横向合并，指的是将两个或多个数据集根据某种原则横向 合并起来，形成新的数据集。SAS提供了MERGE语句来实现两个或多 个数据集的横向合并。数据的横向合并主要分为以下两种情况：

·不使用BY语句合并，也称为一对一合并（左图）。
·使用BY语句合并，也称为匹配合并（右图）。


不适用by语句实例代码 代码如下： DATA WORK.COMBINED; MERGE WORK.DATA1 WORK.DATA2; RUN;

使用by语句实例代码

DATA WORK.COMBINED; MERGE WORK.DATA1 WORK.DATA2; BY Year; RUN;

2.1 不使用BY语句实现横向合并
不使用BY语句进行数据集横向合并的基本形式如下： DATA 新数据集; MERGE 数据集1 数据集2<数据集3 数据集4 … >; RUN;

不使用BY语句进行数据集横向合并时，对输入数据集的排序没有要求。

某部门的主管决定在年终的时候对本部门的员工进行考 核，数据集work.staff中包含了员工的基本信息，而另一个数据集work.schedule中包含了考核时间和地点。现在需要给每位员工分配考核 时间和地点。

以下代码创建了数据集。 data work.staff; infile datalines dsd; length emp_name $20 title $15; input emp_name $ title $ ; datalines; Jacob Adams,Analyst Emily Anderson,Analyst Michael Arnold,Senior Analyst Hannah Baker,Manager Joshua Carter,Senior Analyst ; run; data work.time; input time date9. room $11-24; format time date9.; datalines; 01Dec2013 Meeting Room102Dec2013 Meeting Room203Dec2013 Meeting Room103Dec2013 Meeting Room204Dec2013 Meeting Room304Dec2013 Meeting Room1; run;

其中，Emp_name表示员工姓名，title表示员工的职位，time表示考核时间，room表示和时间对应的会议室。现在将时间和会议室分配给各 员工，示例代码如下：

data work.schedule; merge staff time; run; proc print data=work.schedule; title"Schedule for Performance Management"; run;

2.2 使用BY语句实现横向合并
使用BY语句进行数据集横向合并的基本形式如下： DATA 新数据集; MERGE 数据集1 数据集2<数据集3 数据集4 … >; BY 变量名1<变量名2 变量名3 … >; RUN;

和之前介绍SET语句时提及的一样，当使用BY语句时，输入数据集必须按BY变量排序。

SAS在处理匹配合并的DATA步程序时，主要分以下两个阶段：

·编译阶段，SAS在辨识出MERGE语句后，将按照其中数据集的排列顺序，依次读入所有数据集中变量的描述部分，包括DATA步中新创建变量的描述部分，并将所有变量置于PDV中。若不同的数据集中有同名的变量，则要求它们的数据类型必须相同，长度以第一次出现的变量为准。
·执行阶段，各输入数据集中的观测按BY变量进行匹配，在DATA 步的每次循环中依次读入BY组合的每条观测。如果遇到同名的变量，后读入的变量值将覆盖先读入的变量值。由数据集中读入的变量值，会自动地保留到BY变量值在所有输入数据集中都改变为止。由DATA步新 创建的变量，其变量值在每次循环中都不能在PDV中自动保留，也就是说，在处理下一条数据之前它将被置为缺失值。
1.BY变量值在所有数据集中唯一
BY变量值在所有数据集中都是唯一的，即在任一输入数据集中， 没有两条或两条以上的观测具有相同的BY变量值，这是最简单的一种 情景。

据集ex.staff_personel中包含了员工的基本信息，如Emp_ID、姓名、部门，另一个数据集ex.sales_current_month包含了员工本月的业绩信息，如Emp_ID、产品种类和销售额，但是不含有员工姓名。现在欲制作一张报表展现员工本月业绩，并在报表中包含员工姓名 和部门数据。

首先得对ex.staff_personel和ex.sales_current_month按照Emp_ID进行排序，代码如下： proc sort data=ex.staff_personel out=work.staff_personel; by Emp_ID; run; proc sort data=ex.sales_current_month out=work.sales_current_month; by Emp_ID; run;



以下代码实现了合并操作： data work.Staff_sales; merge work.staff_personel work.sales_current_month; by Emp_ID; run; proc print data=work.Staff_sales noobs; title'Staff Sales'; run;

2.BY变量值在某一数据集中存在重复
BY变量值在某一输入数据集中存在重复值，即在其中一个输入数据集中，含有两条或两条以上的观测具有相同的BY变量值，也称为一对多合并。在匹配过程中会遵循如下原则：由输入数据集读入的变量 值，会保留在PDV中，直到被下一个读入的观测值覆盖或该BY组合处 理完毕被重置为缺失值为止。接下来通过一个简单的例子来具体讲解这一原则。

数据集ex.sales_three_month中包含了最近3个月 的绩效信息，每个员工每个月都有一条记录，现在欲制作一个报告显示 员工最近3个月的绩效信息，并显示员工的姓名和部门。

这里Emp_ID变量值在输入数据集中不再是唯一的。以下代码可以 实现员工信息和最近3个月绩效信息的匹配： proc sort data=ex.staff_personel out=work.staff_personel; by Emp_id; run; proc sort data=ex.sales_three_month out=work.sales_three_month; by Emp_id; run; data work.staff_report; merge work.staff_personel work.sales_three_month; by Emp_id; run; proc print data=work.staff_personel noobs; title"Staff Information"; run; proc print data=work.sales_three_month noobs; title"Sales For Three Months"; run; proc print data=work.staff_report noobs; title"Staff Report"; run;



3.BY变量值在多个数据集中存在重复
虽然在匹配合并时，一般情况下BY变量值至多在某一个数据集中有重复，但并不代表匹配合并只能处理这一种情况，它同样可以处理两个或两个以上输入数据集中的BY变量值重复的情况，也就是实现多对多合并。SAS的匹配原则和一对多合并时一样，并且新数据集中每一个BY变量值重复的次数和输入数据集中重复次数最多的一样。

运用MERGE语句进行多对多合并在实际应用中并不常见，但是理 解了SAS的匹配原则在实际应用中有助于开发人员进行程序调试和质量 控制。这里用一个简单的例子帮助读者理解。

data work.schedule; merge work.staff work.time; run; proc print data=work.schedule; run; data work.test1; input x y; datalines;1 2 1 3 2 2 2 4; run; data work.test2; input x z; datalines;1 4 1 9 2 3 2 9 3 4; run; proc sort data= work.test1 out=work.merge1; by x; run; proc sort data=work.test2 out=work.merge2; by x; run; proc print data=work.merge1; run; proc print data=work.merge2; run; data work.merge_all; merge work.merge1 work.merge2; by x; run; proc print data=work.merge_all; run;



3 使用数据集选项IN=操作观测
在上例中，work.staff_personel数据集中有一部分员工没有业绩信息，如果不想将这些员工的信息包含在新生成的数据集中，就需要确定数据集work.staff_personel与work.sales_current_month是否分别输出了它 们的观测值到输出数据集中。使用数据集选项IN=可以帮助实现这一功能。

数据集选项IN=的基本形式如下： 数据集（IN= 变量）

数据集选项IN=可以运用在SET、MERGE、MODIFY、UPDATE语 句中的任何数据集后面。变量是数值型临时变量，不同的数据集应定义 不同的临时变量名称，临时变量可以在DATA步中使用，但是不会在数 据集中输出。在某一数据集后面使用（IN=变量）时，如果PDV中对应 的变量值是来自于这一数据集的观测，临时变量将被赋值为1，否则临 时变量的值为0。特别是，当和BY语句一起使用时，可以通过判断PDV 中BY变量的值是否来自于这一数据集来确定临时变量的值。

以下程序对例4.8的数据集进行匹配合并时使用了数据集选项IN=。

由于选项IN=指定的只是临时变量，为了在输出数据集中能看到变量的

值，因此在程序中又将这些临时变量的值赋给了新变量INA和INB。从 输出结果可以看出，在合并以后的数据集中，来自work.staff_personel的 观测的INA为1，来自sales_current_month的观测的INB为1。 data work.Staff_sales; merge work.staff_personel (IN=a) work.sales_current_month (IN=b); by Emp_ID; ina=a; inb=b; run; proc print data=work.Staff_sales noobs; title'Staff Sales'; run;



如果只想将既存在于work.staff_personel又存在于work.sales_current_month中的员工记录写入新数据集中，可以通过IF语 句实现。 data Staff_sales; merge staff_personel (IN=a) sales_current_month (IN=b); by Emp_ID;ifa and b; run;

其中“if a and b；”是“if a and b then output；”的一种省略形式。

4. 数据集的更新
数据集的更新，指的是用一个数据集中的数据来替换另一个数据集 中的数据。SAS提供了UPDATE语句来实现数据集的更新



UPDATE语句如下： DATA WORK.DATA1; UPDATE WORK.DATA1 WORK.DATA2; BY Year; RUN;

在运用UPDATE语句进行数据集更新时，通常称DATA1为主数据集，DATA2为更新数据集。在上述示例中，主数据集和更新数据集通 过BY变量Year联系起来，更新数据集中的非缺失的变量值替换了主数 据集中的变量值。对于更新数据集中存在缺失值的情况，在UPDATE语 句中可以运用选项UPDATEMODE=来控制是否用缺失值替换主数据集 中的变量值，系统默认UPDATEMODE=MISSINGCHECK，也就是不替 换；如果设置UPDATEMODE=NOMISSINGCHECK，则不管更新数据 集中的变量值是否是缺失值，都将替换。

使用UPDATE语句进行数据集更新的基本形式如下： DATA 新数据集; UPDATE 主数据集 更新数据集<UPDATEMODE = MISSINGCHECK|NOMISSINGCHECK>; BY 变量1<变量2 变量3 …>; RUN;

更新后数据集的名称可以是新的数据集名称，不需要和主数据集同 名。新数据集中包含主数据集和更新数据集中的所有变量。

主数据集和更新数据集都必须按照BY变量排序。通常要求BY变量值在主数据集中必须是唯一的，且不需要进行更新，例如BY变量可以 是员工号或交易号。运用UPDATE语句时，如果SAS发现主数据集中BY 变量值有重复，SAS会在日志中输出警告，此时虽然可更新成功，但是所有的更新只会作用在主数据集中BY组合的第一条观测上。

某公司的市场部门将所有的客户信息都存储在数据集

work.Customer中，但是每年都需要对这些客户信息进行及时更新，更新信息存储在数据集work.UpdateInfo中。

以下代码创建了数据集work.Customer和work.UpdateInfo。work.Customer和work.UpdateInfo中包含了客户编号、姓名、地址、联系 方式等数据。 data work.Customer; input Customer_ID $1-4 Name $ 6-19 Address $ 21-37 City $ 39-51 State $ 53-54; datalines; C001 Jacob Adams111Clancey Court Chapel Hill NC C002 Emily Anderson1009Cherry St. York PA C003 Michael Arnold4Shepherd St. Vancouver BC C004 Hannah Baker Box108Milagro NM ; run; proc print data=work.Customer noobs; title"Customer - Master Data"; run; data work.UpdateInfo; infile datalines missover; input Customer_ID $1-4 Name $ 6-19 Address $ 21-37 City $ 39-51 State $ 53-54; datalines; C00114Bridge St. San Francisco CA C002 Emily Cooker42Rue Marston C00252Rue Marston Paris C005 Jimmy Cruze Box100Cary NC ; run; proc print data=work.UpdateInfo noobs; title"Update Information - Yearly Transaction Data"; run;



Customer_ID是客户的注册号，对于客户来说，这个注册号是唯一的。由于work.Customer和work.UpdateInfo都已经按照Customer_ID排过序，因此在更新前不需要重新排序。接下来用UPDATE语句对数据集work.Customer进行更新。示例代码如下： data work.Customer_update; update work.Customer work.UpdateInfo; by Customer_ID; run; proc print data=work.Customer noobs; title"Customer- Master Data Update"; run;

在上例中，主数据集中的BY变量是唯一的，更新数据集中的BY变 量值存在重复值，我们可以有如下发现：

·当更新数据集中BY变量值存在重复值时，BY组合中的后一条观测 会覆盖前一条观测。例如Customer_ID为C002的更新信息分别记录在work.UpdateInfo的两条观测中，更新后的数据集中Customer_ID为C002 的观测是唯一的，并且Address为work.UpdateInfo中后一条观测的值。
·当更新数据集中的某一条观测在主数据集没有对应的观测时，SAS 会直接将这条观测作为更新的基础，然后结合更新数据集中剩余的观测 继续处理该观测。如上例中Customer_ID为C005的观测在主数据集中不 存在，SAS将其作为了更新的基础，由于更新数据集中不含有其他Customer_ID为C005的观测，所以该条观测被直接加入新数据集中。
UPDATE语句和MERGE语句都可以对两个数据集进行匹配合并，但是存在比较大的区别，如下：

·UPDATE语句只能操作两个数据集；MERGE语句可以对两个或两 个以上数据集进行操作。
·使用UPDATE语句时必须使用BY语句；MERGE语句在不使用BY语句的时候也可以按观测号进行一对一合并。
·在处理缺失值时，UPDATE语句可以控制是否用缺失值对主数据 集进行替换；MERGE语句中后一数据集中的缺失值一定会覆盖前一数 据集中的值。
·当BY变量值在后一数据集或者更新数据集中不唯一时，UPDATE 语句和MERGE语句的处理方式不一样，详见上一章节中MERGE语句的 多种情形和本节前面部分的介绍。 data work.Customer; input Customer_ID $1-4 Name $ 6-19 Address $ 21-37 City $ 39-51 State $ 53-54; datalines; C001 Jacob Adams111Clancey Court Chapel Hill NC C002 Emily Anderson1009Cherry St. York PA C003 Michael Arnold4Shepherd St. Vancouver BC C004 Hannah Baker Box108Milagro NM ; run; proc print data=work.Customer noobs; title"Customer - Master Data"; run; data work.UpdateInfo; infile datalines missover; input Customer_ID $1-4 Name $6-19 Address $21-37 City $39-51 State $53-54; datalines; C00114Bridge St. San Francisco CA C002 Emily Cooker42Rue Marston C00252Rue Marston Paris C005 Jimmy Cruze Box100Cary NC ; run; proc print data=work.UpdateInfo noobs; title"Update Information-Yearly Transaction Data"; run; data work.Customer_update; update work.Customer work.UpdateInfo; by Customer_ID; run; proc print data=work.Customer noobs; title"Customer- Master Data Update"; run;
5. 数据集的更改
SAS提供了MODIFY语句进一步扩充了DATA步的功能，它可以在 原数据集上直接进行替代、删除或添加观测的操作。

5.1　单个数据集的更改
运用MODIFY语句进行单个数据集更改的基本形式如下： DATA 原数据集; MODIFY 原数据集; RUN;

运用MODIFY语句，可以更改原数据集中任何变量的值，但是由于 该语句不能够更改原数据集的描述部分，因此不能在原数据集中添加或 者删除变量。以下通过一个销售管理系统的例子来讲解MODIFY语句的 运用。

数据集work.inventory中包含产品、库存和价格的信息，以下代码创 建了数据集work.inventory。 data work.inventory; input Product_ID $ Instock Price; datalines; P001R12 125.00P003T34 40.00P301M23 500.00PC02M12 100.00; proc print data=work.inventory noobs; title"Warehouse Inventory"; run;

数据集work.inventory内容如图4.19所示。 例4.11：由于物价上涨导致成本上升，公司决定将每种产品的销售价格提高15%。 示例代码如下：

data work.inventory; modify work.Inventory; price=price/*1.15; run; proc print data=work.inventory noobs; title'Price reflects 15% increase'; run;

4.4.2　两个数据集的更改
使用MODIFY语句可以实现通过一个数据集对另一个数据集中的数 据进行更改，基本形式如下： DATA 主数据集; MODIFY 主数据集 修改数据集; BY 变量1<变量2 变量3 …>; RUN;

其中，主数据集表示需要更改的数据集，修改数据集中包含了用于更改的数据，此时必须使用BY语句。在使用MODIFY时，主数据集和 修改数据集中的BY变量不需要事先排序或索引，但是按BY变量排序或 索引可以提高运行效率，特别是在观测量很大的情况下。

在使用MODIFY更改数据集时，需要注意以下两点：

·当主数据集中的BY变量值有重复值时，只有每个BY变量值的第一条观测会被更改；当修改数据集中的BY变量值有重复值时，系统会依次读入修改数据集中的每一条观测，并应用到主数据集，且后读入的观 测会覆盖前一次读入的观测；当主数据集和修改数据集中的BY变量值都有重复值时，系统会依次操作修改数据集中BY组合中的每一条观测，并且应用到主数据集中对应BY组合的第一条观测中。
·如果在修改数据集中存在缺失值，系统默认不用缺失值更改主数据集中的数据。如果需要用缺失值更改主数据集，可以仿照在UPDATE 语句中使用选项UPDATEMODE=实现操作。
实际上，在主数据集或修改数据集中BY变量值有重复值时，MODIFY语句的处理逻辑和UPDATE语句一样。

例4.12：接着例4.11继续操作，数据集work.inventory2中保存了公司 产品在海外仓库的库存信息，现在公司财务欲根据work.inventory和 work.inventory2中的数据计算公司各产品的总库存，并制作报告。

以下代码创建数据集work.inventory2。 data work.inventory2; input Product_ID $ Outstock ; datalines; P001R12P001R30P001R25P003T34P301M23; proc print data=work.inventory noobs; title"Warehouse Inventory Inhouse"; run; proc print data=work.inventory2 noobs; title'Warehouse Inventory Overseas'; run;

两个数据集work.inventory和work.inventory2的内容如图4.21所示。 需要注意的是，在work.inventory2中，产品P001R有三条观测。 计算各产品总库存的程序如下：

data work.inventory; modify work.inventory work.inventory2; by product_id; instock=instock+Outstock; run; proc print data=work.inventory noobs; title'Total Inventory'; run;

程序中加入“instock=instock+Outstock；”用来计算instock并输出到数据集work.inventory中，产品P001R的instock的值等于原work.inventory 数据集中P001R的instock值加上work.inventory2中P001R的3条观测的 instock值。

以上例子中，修改数据集中的所有观测在主数据集中都可以找到对 应的观测，当修改数据集中含有一些新观测时，可以使用OUTPUT语句 将新观测添加到主数据集中，具体使用方法请查询SAS帮助文档。

6. 数据集处理的一点补充
1　使用数据集选项END=
很多情况下，在进行数据操作时需要知道SAS在什么时候处理输入 数据集的最后一条观测，这时可以使用SAS提供的数据集选项END=来 帮助辨识。使用数据集选项END=的基本形式如下： SET 数据集1 <数据集2 数据集3… >END=变量;

在使用SET、MERGE、MODIFY、UPDATE语句时，都可以使用该 选项。这里语句中的变量是数值型的临时变量，当DATA步在操作数据 集的最后一条观测时，该变量的取值为1，否则为0。临时变量可以在DATA步中使用，但是不会在数据集中输出。需要特别注意的是，在使 用SET、MERGE、MODIFY、UPDATE语句进行多个数据集处理时，只有当DATA步处理所有输入数据集的最后一条观测时，该变量的取值才 会由0变成1。

数据集work.Sales中记录了公司每位员工的全年的销售额， 现在欲计算全年公司的总销售额，并输出到报表中。

以下代码创建了work.Sales数据集，Emp_ID表示员工编号，Dept表示员工所属部门，Sales表示销售额。 data work.sales; input Emp_ID $ Dept $ Sales Gender$; datalines; ET001 TSG100M ED001 DSG200F ED001 DSG135M EQ001 QSG234F ET001 TSG125F ET002 TSG98M EQ002 QSG100M EQ003 QSG98M ED002 DSG124M ET003 TSG123F ; run; proc print data=work.sales; title'Sales'; run;



现在运用END=选项计算公司全年的总销售额。 data work.total_sales;set work.sales END=last; total_sales+sales;iflast then output; keep total_sales; run; proc print data=work.total_sales noobs; title'Total Sales in Million';run;



上面这段代码中有以下几个要点：

·END=last定义了临时变量last，当SAS在处理最后一条观测时，last的取值将变为1。
·“total_sales+sales；”计算公司的全年销售 额。“total_sales+sales；”的作用和“retain total_sales 0；total_sales=total_sales+sales；”一样。
·IF语句和OUTPUT语句判断了最后一条观测，并将该观测输出到数据集中。
·KEEP语句仅将需要输出的total_sales变量保留在数据集中。 上面计算全年销售额的代码和下面的代码等价。 data work.total_sales;set work.sales END=last; retain total_sales 0; total_sales=total_sales+sales; iflast then output; keep total_sales;
5.2　使用自动变量FIRST.与LAST.
在DATA步中若使用了BY语句，SAS要求读入的数据集必须按BY 变量排序（MODIFY语句除外），同时，SAS在程序执行过程中会自动 生成两个数值型临时变量：FIRST.变量和LAST.变量，它们分别用来辨 识BY组合的第一条观测和最后一条观测。当只有一个BY变量时，很容 易理解它的取值。

·当DATA步正在处理该BY变量值的第一条观测时，FIRST.变量为1，否则为0。

·当DATA步正在处理该BY变量值的最后一条观测时，LAST.变量为1，否则为0。

当有多个BY变量时，系统会自动生成多对FIRST.变量和LAST.变 量。例如，SAS在执行如下代码时，会自动生成临时变量FIRST.x和LAST.x，以及FIRST.y和LAST.y。 data work.test; input x y $ @@; datalines;1 A 1 A 1 B 2 B 2C ; run; data work.try;setwork.test; by x y; firstx=first.x; lastx=last.x; firsty=first.y; lasty=last.y; run;



当SAS处理第一条x=1的观测时，first.x=1；当SAS处理最后一条x=1的观测时，last.x=1；当SAS处理第一条x=1并且y=“A”的观测时，first.y=1；当SAS处理最后一条x=1并且y=“A”的观测时，last.y=1。

据集work.Sales中包含了每位员工的销售额和员工所属部

门及性别数据，现在公司欲统计各部门男员工和女员工的总销售额，并 制成报表。

首先将work.Sales数据集按Dept和Gender进行排序，然后再运用选 项FIRST.与LAST.计算各部门男女员工的总销售额。 proc sort data=work.sales; by Dept Gender; run; data work.sales_dept;setwork.sales; by Dept Gender; retain sales_by_dept;if first.Gender then sales_by_dept=0; sales_by_dept=sales_by_dept+sales;iflast.Gender; keep Dept Gender sales_by_dept; run; proc print data=work.sales_dept noobs; title'Sales by Department by Gender'; run;

“if last.gender；”是“if last.gender then output；”的省略写法。这里使用了RETAIN语句，使得在DATA步的循环中sales_by_dept的值可以保留 在PDV中。BY语句创建的这两个临时变量不仅可在SET语句读入单个数据集时 使用，在进行多个数据集的拼接时也常使用。

5.3　使用SET语句中的选项POINT=和NOBS=
在DATA步使用SET语句读入数据集时，可使用选项POINT=指明要 读入的观测序号。使用选项POINT=的基本语法如下：

SET 数据集POINT=指针变量;

其中指针变量用来指明要读入特定序号的观测，必须在SET语句执 行前对它赋值。在有SET语句的DATA步程序中，系统将反复执行DATA步的语句，直到遇到数据中的文件结束标志。但是在使用选项POINT=时，系统会直接读入指针指向的记录，这就很可能导致系统不 会遇到文件结束标志，容易陷入死循环。因而在按指针读入数据的程序 中，经常会用到STOP语句。

如果要取得数据集中观测的个数，可以使用SET语句中的选项

NOBS=，语法如下：

NOBS=变量;

其中，变量同样是临时变量，在DATA步的编译阶段赋值。

例4.15：现有一个数据集work.Whole，欲从其中随机抽取1/3的观测

用来建立模型。

示例代码如下：

data work.sample;

do i=1 to total by 3;

set work.whole point=i nobs=total;

output;

end;

stop;

run;

运行这个代码，系统将从数据集work.sample中依次抽出第1条观 测、第4条观测…，并存储到数据集work.sample，直到系统处理完数据 集中的全部观测。

5.4　使用多个SET语句
在SAS中实现同一个操作，往往可以有多种方法。作为补充，这里 将介绍如何运用SET语句进行数据集横向合并。使用SET进行横向合并 的一个好处是，在合并之前不需要将输入数据集进行排序。

例 下是使用多个SET语句的一个简单例子。 data work.data1; input x y @@; datalines;1 2 2 3 3 4; run; data work.data2; input x z @@; datalines;1 3 3 5 4 2 5 4; run; data work.combined;setwork.data1;setwork.data2; run; proc print data=work.Combined; title'Using Two Set in Data Step'; run;

数据集work.data1和数据集work.data2的内容如所示。 合并后的数据集work.combined如图所示。





在使用多个SET语句时，PDV中的变量是读入数据集的并集。首 先，DATA步从第一个SET语句中读入第一条观测，并复制到PDV中； 然后从第二个SET语句中读入第一条观测，并复制到PDV中。当输入数 据集中有同名变量时，后读入的数据集的变量值覆盖前一个数据集中同 名变量的值。新数据集中的观测数是所有输入数据集中的观测数的最小 值，因为当DATA步遇到第一个文件结束标志时，DATA步就结束执 行。

5.5　使用HASH对象处理多个数据集
前面部分已经介绍了运用SET语句和MERGE语句进行数据集之间的拼接，这里将通过实例介绍如何运用HASH对象实现这类操作。相较于SET语句和MERGE语句，使用HASH对象有两个优点，第一，它对数据集的排序没有要求；第二，由于HASH对象是放入内存中的数据集，因此在内存允许的情况下，运用HASH对象进行数据集之间 的关联时其效率更高。

一般在观测数很多的数据集与观测数较少的数据集进行匹配时，运用HASH对象将较小的数据集加载到内存中，可以非常快速地完成匹 配。

接下来首先介绍在DATA步中如何定义HASH对象。

1.定义HASH对象
使用HASH对象时，首先要定义HASH对象，基本形式如下： DECLARE object HASH对象名（<主题1: 内容1 <, 主题2: 内容2, …>>）; HASH对象名.DEFINEKEY（<主题1: 内容1 <, 主题2: 内容2, …>>）; HASH对象名.DEFINEDATA（<主题1: 内容1 <, 主题2: 内容2, …>>）; HASH对象名.DEFINEDONE（）;

这里第一行定义了HASH对象名称，object可以是HASH或HITER，HASH对象名由编程者定义。

第二行和第三行分别通过HASH对象名.method的语法定义了HASH对象的KEY变量和DATA变量，这些变量都是DATA步中的变量。 第四行表明HASH对象定义结束。

现在有一个数据集work.Sales，其中包含了员工编号Emp_ID、员工部门Dept、销量Sales、产品编号Product_id，另一个数据 集work.Product中包含了Product_id、Product_name和Description 3个变 量，现在欲将Product_name和Description加到数据集Sales中。

以下代码生成Sales和Product中的部分数据。 data work.sales; input Emp_ID $ Dept $ Sales Product_ID $; datalines; ET001 TSG100P001 ED001 DSG120P001 ET001 TSG50P002 EC001 CSG230P004 EQ001 QSG150P003 ET001 TSG210P004 ET002 TSG40P002 ET003 TSG150P003 ; run; data work.product; infile datalines dsd; length Product_ID $4 Product_Name Description $35; input Product_ID $ Product_Name $ Description $; datalines; P001,ManufacturingIndustry Solutions,ManufacturingIndustry Solutions V2 P002,Logistics Solutions,Logistics Solutions V1 P003,Financial Service Solutions,Financial Service Solutions V3 P004,Insurance Solutions,Insurance Solutions V2 ; run;

以下是通过HASH对象实现匹配的完整代码。

data work.sales_description(drop=ErrorDesc) work.exception; length Product_ID $8 Product_Name Description $35;if N=1 then do;//Define hash objective//Declare hash product_desc(dataset:"work.product"); product_desc.definekey('Product_ID'); product_desc.definedata('Product_Name','Description'); product_desc.definedone(); call missing(Product_ID,Product_Name,Description); end;setwork.sales;//Retrieve matching data//rc=product_desc.find();if rc = 0then output sales_description;else do; ErrorDesc="No Product Description"; output exception; end; drop rc; run;