
SAS Says 扩展篇IML:函数玩一玩
1. 元素函数
元素函数是针对矩阵里的元素进行操作的,比如:
abs( ) |
取绝对值 |
exp( ) |
e的元素次方 |
int( ) |
取整 |
log( ) |
取ln |
mod( ) |
取余 |
sqrt( ) |
将元素开方 |
举个栗子:
例子
proc iml;
a={9 -2.38, -1 0, 2 1};
c1=abs(a);
c2=exp(a);
c3=int(a);
c4=mod(a);
print a,c1,c2,c3,c4;
quit;
2. 矩阵函数
矩阵函数将对整个矩阵进行操作:
矩阵查询函数可以查询矩阵的一些基本信息,如行数、列数、行最大值、列最大值等等;
矩阵生成函数可以对矩阵进行分块、取对角线等,生成一个新的矩阵。
(1)矩阵查询函数
all (条件):当矩阵所有元素都满足条件时,返回1,否则返回0;
any (条件):只要矩阵中有一个元素满足条件,就返回1,否则返回0。
例子
proc iml;
a={9 -2.38, -1 0, 2 1};
c1=all(a>0);
c2=any(a>0);
print a,c1,c2;
quit;
loc(条件):返回满足条件的元素的标号,还可以与截取运算符[]搭配使用,获取标对应的数值。
例子
proc iml;
a={9 -1 3, 3 -3 0};
c1=loc(a>0);
c2=a[ loc(a>0) ];
print a,c1,c2;
quit;
nrow(矩阵):求矩阵行数;
ncol(矩阵):求矩阵列数;
type(矩阵):得到矩阵的类型,数值型返回N、字符型返回C,如果矩阵不含任何值,返回U。
length(矩阵):求矩阵每个元素的长度,只能是字符矩阵。
例子
proc iml;
a={9 -1 3, 3 -3 0};
b={"hello","world"};
c1=nrow(a);
c2=ncol(a);
c3=type(a);
c4=length(b);
print a,c1,c2,c3,c4;
quit;
(2)矩阵生成函数
通过这类函数得到一些简单、特殊的矩阵。
block(M1,M2...):创建分块对角阵;
diag(M):只保留矩阵M的对角线,其余元素均赋值为0;
vecdiag(M):将矩阵M的对角线元素变成列向量。
娘子,快来看大楼~!————→
例子
proc iml;
a={9 -1 , 3 -3};
b={1 2, 4 5};
c=block(a,b);
c1=diag(c);
c2=vecdiag(c);
print a,c1,c2;
quit;
i(n):创建n×n的单位阵;
j(row,col,value):创建row×col的矩阵,矩阵的数据均为value;
repeat(value,row,col):和上面的一样,生成row×col、元素均为value的矩阵;
insert(M1,M2,插入第n行,或插入第m列):将矩阵M2插入矩阵M1中,插入第n行,或者第m列,注意m和n必须有一个为0,因为这两个只能指定一个。
右边的朋友,我要是能和你一样高就好了。
例子
proc iml;
a=i(3);
b=j(2,4,7);
c=repeat(7,2,4);
d=insert(a,{1 -1 0},2,0);
print a,b,c,d;
quit;
uniform(seed):生成(0,1)均匀分布的伪随机数;
normal(seed):生成均值为0,方差为1的伪随机数;
例子
proc iml;
a=normal(1);
b=normal({1 1 1,1 1 1, 1 1 1});
c=normal(repeat(1,3,3));
d=uniform({2 2 2});
print a,b,c,d
quit;
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10