SAS DATA步之全解密

SAS DATA步对于SAS入门学习者来说是个难以理解的东西，因为SAS封装了一些过程，这种封装对于有语言基础的人来说反而是一个障碍。本文非常详细的解释了SAS 数据的编译、执行过程，对于了解SAS的基本运行有很大帮助。不管SAS老鸟，新鸟，相信你都会有收获，因为这篇文章是难得的如此系统 ！

摘要

每个SAS数据步（SAS Data step，以后写成简写“DATA步”）在整个SAS程序中编译和执行过程中。大量DATA步的处理过程都是非明示的（即隐藏不可见）。例如，尽管程序中没有使用循环控制语句不包含循环，但DATA步都像一个自封装的小程序以一种非明示的循环形式执行。

这篇文章探讨了一些非明示的DATA处理过程怎么控制你的DATA步实际运行的。

需要提前说明的概念：

  程序数据向量（Logical Program Data Vector简写成PDV，台湾地区翻译成“程式资料向量”）

  SAS自动变量名及其使用

  理解data步的内部处理过程

  代码编译期间发生的事情

  程序执行期间实际发生了什么

  如何获取和存储变量属性

你或许在程序中写过大量的DATA步：一些能运行，一些则运行不了。有时候你知道为什么；有时你不知道为什么，甚至你冥思苦想而百思不得其解。如果碰到过这些问题，那么这篇文章很适合你。

Data步设计的非常好，但是有些另类。如果你想写出很漂亮的代码，就很有必要知道DATA步的工作原理。读完这篇文章以后，“哦，哦，… 原来如此！”，一个即使使用SAS多年的老鸟，也会发出这样的感叹。

引言

DATA步是建SAS数据集的主要方法之一。要想成为一个优秀的SAS程序员很有必要理解DATA步的各个环节，主要是因为一些涉及数据处理和创建数据集的任务可能只能通过DATA步才能解决(这些任务不能通过SAS过程步（SAS procedures，以后简写成“SAS过程步”）解决、或者使用SAS过程步太过复杂而难以使用)。

了解DATA步的生命周期非常重要，它分为编译和执行两个阶段。同时学习PDV也非常重要。PDV贯穿SAS的编译和执行两个阶段，而且能决定了信息在DATA步中的存储及变化。

编译阶段包括：

  编译SAS语句，包括检查语法

创建一个输入缓存区（input buffer）（如果需要读入原始数据文件）、一个PDV和描述性信息

执行阶段包括：

  计算Data步迭代的次数(从Data语句开始)

  将PDV中的所有变量设成缺失值并初始化自动变量

  读取输入观测(从原始文件或SAS数据集)

  执行附加的处理或计算语句

将一条数据记录写入输出数据集并返回到DATA步语句

PDV贯穿编译和执行阶段：

PDV是内存中的一个临时逻辑区域，SAS建立数据集时，每条观察值只有一次机会用到PDV。

包含所有变量的当前值

包含两个自动变量：_N_和_ERROR_

如果你已经了解控制DATA步处理过程的这些重要概念，那么你就能控制DATA步，来指挥SAS根据自己的意愿来工作和初始化自动变量。

DATA 步

一个DATA步包含SAS语言中的一组语句，这些语句具有以下功能：

  从外部文件读入数据

  将数据写入外部文件

  读入SAS数据集和SAS视图

  创建SAS数据集和SAS视图

一旦数据可以以SAS数据集的形式访问，你就可以通过SAS过程步来分析数据和写报告。

可以运用DATA步：

  创建SAS数据集(SAS数据集或SAS视图)

  根据包含原始数据(外部文件)的文件创建SAS数据集

  通过提取子集、合并、修改和更新已经存在数据集的方式来创建新的数据集

  分析、处理或展现数据

  为新变量赋值 （译者注：有公式计算的情况下）

  撰写报告或将文件写入磁盘或磁带

  信息检索

  文件管理

DATA步以“DATA”语句开始（即显示的表明数据步的开始），以“RUN”语句结束，在结束时会编译或执行RUN语句。在数据步最后一个观察值读取前，“RUN”的功能都是以非显示的形式执行RETURN功能，去继续循环的操作。

DATA步的生命周期图

SAS提供了下面的流程图来描述DATA步的处理过程。

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

图1  DATA步的动作流程图

编译阶段

如上所述，DATA步的第一个阶段就为编译阶段。在编译阶段SAS的任务如下：

  自动将SAS语句编译成将会在后面执行的机器语言

  确定每个变量的类型和长度

  确定变量是否有必要进行类型转换

  如果有INPUT语句，为外部文件新建读取内存缓存区

  创建PDV(Program Data Vector)

  创建数据集和变量属性的描述性信息

  处理语句，该项任务仅限于编译阶段；这为编译器如何新建变量提供信息；事实上，它们决定了如何在PDV内建立变量及信息；这些信息包括：DROP;KEEP;RENAME;RETAIN;WHERE;LABEL;LENGTH;FORMAT;ARRAY;BY;ATTRIB

  创建自动变量；包括_N_,_ERROR_,END=,IN=,FIRST,LAST,POINT=

例1：语法错误检查

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.  /*期望一个数学公式*/

ERROR 200-322: The symbol is not recognized and will be ignored.  /*符号不被识别，忽略*/

6    run; /*代码6 运行*/

执行阶段

把SAS代码编译成机器代码后，输入缓存区，PDV和描述性信息。执行阶段进入重要阶段，SAS将按照默认的顺序执行以下功能：

  从DATA语句开始，将_N_值设定为1（随着DATA语句的每次迭代，变量_N_自动加1）

  把PDV(Program Data Vecctor)中的变量设为missing

  用Input语句把一条数据记录读入缓存区(如果读入的是原始文件)

  用SET，MERGE，MODIFY或UPDATE语句，把SAS数据集里的一条观测值读入到PDV

  执行DATA步中存在的程序语句

  将一条观测写入输出数据集，碰到语句data _NULL_的情况除外，即无需写入数据

  一个迭代结束，返回到DATA语句的开始

  每个迭代过程都循环进行直到达到输入文件(或输入数据集)结尾

  如果DATA步没有读入任何记录，执行(默认情况)行为只进行一次

  可以通过条件语句IF-THEN-ELSE、DO Loops、LINK,RETURN和GO TO等语句改变执行的默认顺序  

例2：默认和强制情况下的顺序

第一个例子是一个简单的DATA步，它遵循语句的标准执行过程并输出数据记录。这个例子中，一个迭代过程产生了一个观测：

data example_2;

x = ‘Minnesota’;

y = ‘Columbus’;

run;

The log presents the following message: /*日志输出如下信息*/

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

第二个例子展现了数据步的一个迭代过程如何生成5条观测。DO LOOP循环改变了执行的默认顺序。

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参考教程中将PDV定义为：“PDV是内存中用来创建数据集的逻辑区域，每次只涉及一条观测值。当程序执行时，SAS从输入缓存区中读入数值或通过执行SAS语句创建数值。数据值赋给PDV中一个合适的变量。SAS将该数值作为一条观测值写入SAS数据集。”

换句话说：PDV(Program Data Vector)是内存中的一个存储空间，包含了DATA步涉及的所有变量。变量出现的顺序决定了在他们在PDV中的顺序。每个变量可能会有一个标记，用于指示他们是被保留（Keep）、舍弃（Drop）或是改名（Rename）。当程序运行时，PDV包含的观测值被处理。在结束时，数据根据程序中的DROP、KEEP或RENAME标识被输出。

输入缓存区创建完成后，PDV也随即创建完成。PDV是内存中创建数据集的地方，一次仅创建一个观测。像术语输入缓存区（Input buffer）一样，PDV也只是一个逻辑概念。

  PDV(Program Data Vector)中包含两个自动变量供数据步使用，但是这两个自动变量并不会作为观测的一部分输出到数据集。

  _N_对DATA步开始执行后的迭代次数进行计数

  _ERROR_表示在数据步执行期间有错误发生。_ERROR_的默认值为0，表示程序没有错误。当程序中出现一个或多个错误时，_ERROR_的值变为1。

  变量First.By-variance和变量Last.By-variance：这两个临时变量总是成对出现，By语句中的每一个By变量都对应着一对临时变量。当他们的条件为真或假时分别相应的赋值为1或0。

PDV

临时变量（Temporary variables）可以通过SAS选项和语句来创建，和自动变量一样，临时变量也不会输出到数据集。一些临时变量包括：

  选项IN=变量：IN=是数据集的一个选项，表示一个特定数据集是否贡献了当前观察值。程序员可以用该选项指定一个变量名，当观测在数据集中时变量值为1否则为0。

  END=变量名：END=是SET语句的一个选项表示已经达到输入数据集的结尾。如果达到文件的结尾，程序员通过指定一个变量名，当数据达到最后一个时，该变量被赋值1，否则为0。一个SET语句只能设一个END=选项。如果SET语句后有多个数据集，只有达到最后一个数据集的最后一条观测值时，该变量的值才为1。

如果需要把临时变量和自动变量的值输出到数据集，则需要把临时变量或自动变量的值赋给用户定义的变量。

PDV存储数据集中的、input 涉及的或data步执行过程中创建的所有变量，包括用户自定义、自动和临时的变量。PDV被用来填充输出数据集。输出数据集中的所有变量都在PDV(Program Data Vector)中，但并不是PDV(Program Data Vector)中的所有变量都输出到最终数据集。

SAS执行过程中，在DATA步迭代之初都会把PDV(Program Data Vector)中非保留和非输入变量设为缺失值。SAS从输入文件或一个SAS数据集读入数据到PDV(Program Data Vector)中，同时会替掉以前存在的值。

DATA步处理过程：系统介绍

Example 4 – simple default – no reading of input data /*简单默认-没有读入input数据*/

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;

编译阶段PDV的设置如下：

在DATA步结尾，PDV执行结果如下：

例1中有一条观测输出。DATA步只进行了一次迭代。除了_N_和_ERROR_两个变量，数据集中包括剩下的所有变量。

Example 5 – reading of raw input data /*读取原始input数据*/

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;

由于这个例子包含了原数据input文件。SAS在把这些数据发送到PDV之前先创建内存缓冲区来存储数据。

注意：如果输入文件是一个SAS数据集，SAS就不会在创建内存缓冲区。SAS会把数据直接传送到PDV。

内存缓冲区input buffer

PDV 

注意，在上面表格中，数值变量和字符变量分别被初始化为点和空格。自动变量_N_的初始为1；自动变量_ERROR_的初值为0.

读入第一条观测后，PDV如下所示：

当SAS执行DATA步最后一条语句时，除了被标记为drop的变量，PDV中剩余的所有值将作为一个观测输出到数据集TOTAL_POINTS。

接着SAS会回到DATA步开头进行下一轮迭代。SAS按照下面的方式重设PDV中的值。

  INPUT语句创建的变量值被设为缺失值。

  累加语句创建的值自动保留。

  Retain语句中的变量值自动保留     /* 原文无，sxlion补充*/

  自动变量_N_的值自动加1，_ERROR_的值重设为0。

下表展示了每条记录被写入例2数据集之前在PDV中的存在形式。应该牢记：PDV每次只存一条观测，而且在新数据存入之前把原数据写入到输出数据集中。

总结

可视化PDV对理解DATA步的执行过程非常有帮助。对于简单的DATA步来说似乎没有必要，但是这样做对理解DATA步很有益。如果你在某种程度上理解了一个数据集的读入和输出，那么你不至于写出类似下面这个的多个DATA步。数据分析师培训

data a;

set perm.a ;

data b;

set a ;

x = y + 2;

既然数据集PERM.A中的每个观测都被复制到PDV中，那么为什么不同时创建X变量呢？

当你想做复杂的事情时，你需要非常具体而不是模糊地知道关于PDV中存储的信息和SAS处理这些信息的规则。当你的程序没有按照你的意愿执行，通过PUT语句或DATA步将PDV中的部分信息输出到日志查看。