第二章 导入数据到SAS | 格式规范数据读取
真新镇的涅法雷姆 2020-01-02
目录
2.1 导入数据的方法
将数据导入SAS的方法有很多，但可以归纳为四个基本类别，其中方法2、3是需要掌握的重点。
- 直接将数据输入SAS数据集
- 通过VIEWTABLE窗口（打开方式：工具 → 表编辑器），以表格形式导入
- 通过SAS Enterprise Guide窗，以表格形式导入
- 利用原始数据文件创建SAS数据集
- 通过data步导入
- 通过导入向导 或 有类似功能的import过程导入
- 将其他软件的数据文件转换成SAS数据集
- 通过data步或import过程，把其他类型的数据文件读成SAS数据集
- 直接读取其他软件的数据文件
2.2 利用导入向导读入
导入向导默认数据第一行作为变量名称，并会自动扫描文件来决定变量的类型
使用导入向导导数一般分以下几个步骤：
- 启动：文件 → 导入数据
- 选择导入文件类型
- 选择导入文件
- 选定分隔符：左击options选择，csv和制表符（Tab）分隔文件SAS会自动识别
- 指定逻辑库和数据集名称
- fish结束
2.3 格式规范数据读取
2.3.1 指定原始数据位置（infile）
根据原始数据存储的不同位置，可以分为内部原始数据、外部原始数据。用infile语句来指定元数数据位置。
内部原始数据
如果在SAS程序中输入数据，则这些数据被称为内部原始数据，使用「datalines语句」表明它。需注意的是，datalines语句必须是data步最后一条语句，其后的所有行都将被视为数据行，直到遇到一个分号（;）为止。
*将内部原始数据读入到SAS数据集;
data work.testdata;
input president $ party $ number; /* 输入指定类型的3个变量 */
datalines; /* 数据线 */
Adams F 2
Lincoln R 16
Grant R 18
kennedy D 35
;
run;外部原始数据
更常见数据是保存在外部文件中，这时数据与程序是分离的，就称为外部原始数据。需要用「infile语句」告知SAS文件名和路径，infile语句紧跟在data语句之后，input语句之前，且不同操作环境中路径表示有差异：
| 操作环境 | infile语句 |
|---|---|
| windows | infile ‘D:\code\test.dat‘; |
| unix | infile ‘/home/rds/test.dat‘; |
| os | infile ‘mydir.test.dat‘; |
长记录
当从外部数据文件读入数据时，务必记得「检查日志」，因为一些非常有价值的信息，会在日志中体现，如观测数、变量数、记录最大/最小长度。
若外部文件中记录长度超过了256个字符，且SAS没有读取到所有数据，这时可以在infile语句中使用lrecl=选项，指定一个至少和数据文件中最长记录等长的长度。
*从外部原始数据读入数据到SAS数据集;
data work.testdata;
infile infile 'D:\code\test.dat' lrecl = 300; /* 指定记录长度最大为300个字符 */
input president $ party $ number;
run;2.3.2 读取空格分隔原始数据（列表输入）
如果原始数据文件中的所有值，都被至少一个空格分隔开，建议使用列表输入（list input）读入该原始数据，该方法也被称为自由格式输入。
下面是列表输入的优缺点：
- 优点：简单好用
- 缺点：
- 只能读取一条记录中全部数据，不能跳过不需要的值
- 如果有字符型数据，那它必须没有内嵌空格，且长度不超过8个字符
- 如果数据文件含日期、其他特殊格式数据，那列表输入不适用
特别注意，列表输入也可用于读取其他分隔符数据文件，如逗号或制表符。并且，可以使用length语句去覆盖长度不超过8个字符的限制，使字符变量长度变成1 ~ 32767之间任意值。
INPUT语句
列表输入是通过input语句实现数据读入，语法规则如下：
- 在input关键字后，按照变量名称出现顺序依次列出它们
- 变量名称符合命名规则
- 若变量为字符类型，则在变量名称后面加一个$
- 变量名称之间至少留一个空格
示例：input toadname $ weight jump1 jump2 jump3;
*使用列表输入，读取数据文件ToadJump.dat;
data toads;
infile 'D:\code\ToadJump.dat';
input toadname $ weight jump1 jump2 jump3;
run;
proc print data = toads;
title '蟾蜍跳跃比赛';
run;2.3.3 读取按列排列原始数据（列输入）
列输入和列表输入类似，但适用范围更广，具有以下几点优势：
- 值之间无须空格
- 缺失值可以留空
- 字符型数据可以内嵌空格
- 可以跳过不需要的变量
通常调查数据、带有街道地址的数据集，可采用列输入读取。
INPUT语句
列输入也是通过input语句实现数据读入，语法规则和列表输入类似，区别在于变量之后需要列出该变量对应的列或者列范围，用这些列表示数值或者字符在数据行中的位置。
示例：input Name ￥ 1-10 Age 11-13 Height 14-18;
2.3.4 读取非标准格式的原始数据（格式化输入）
先明确一个概念「标准格式数据」，只包含数字、小数点、正负符号、科学计数法E。其他的都是非标准格式数据，常见的有：
日期
嵌入逗号的数字
嵌入$符号的数值
输入格式
输入格式的三个基本类型是：字符、数值、日期
| 字符 | 数值 | 日期 |
|---|---|---|
| $informatw. | informatw.d | informatw. |
$表明这是字符型输入格式，imformat是该输入格式的名称，w是总宽度，d是小数位数（仅限数值型输入格式），注意，一定不要少些了句点（.）。有两个输入格式没有名称：?
- $w. 用来读取标准的字符型数据
- w.d 用来读取标准的数值型数据
格式化输入
在input语句的变量名称之后放置输入格式，称为格式化输入。
示例：input name $10. age 3. height 5.1 birthdate mmddyy10. ;
先明确一个概念：为每个变量读取的列，由起始点和输入格式的宽度所决定。所以，上面的示例代码就能解读为：
- name（$10.）：字符型数据，默认起始列在第1列，name数据在第1 ~ 10列
- age（3.）：数值型数据，起始列在第11列，往后取3列
- height（5.1）：数值型数据，起始列在第14列，往后取5列，小数位数为1
- birthdate（mmddyy10.）：日期数据，格式为月-日-年，能读取诸如10-31-2013或10/31/2013格式的日期，起始列在第19列，往后取10列
*读取非标准格式的原始数据;
data zdata.contest;
infile 'D:\data\sas_file\pumpkin.dat';
input name $16. age 3. +1 type $1. +1 date mmddyy10. /* +1表示跳过一列 */
(score1 score2 score3 score4 score5) (4.1);
run;有相同输入格式，把变量和输入格式分别放到括号中，输入格式只列出一次 即可。
更多常见的常见输入格式见page49，第二章 2.8 常用输入格式。
2.3.5 混合的输入样式（列表输入+列输入+格式输入）
前面学习了三种主要的输入样式：
- 列表输入：最简单
- 列输入：稍微难一点
- 格式化输入：最复杂
因为SAS中数据格式多种多样，没有一种输入样式能满足绝大多数需求。所，更多时候我们采用混合的样式输入。
示例：input parkname $ 1-22 state $ year @40 acreage comma9. ;
上面的示例就采用了多种样式的组合：
- parkname （$ 1-22）：列输入
- state（$）：列表输入
- year：列表输入
- acreage （comma9）：格式化输入
此外，还用了列指针，语法@n，n指SAS要移动到的列，常用来在一行数据里向前或者向后移动，以调整数据读取起始位置，应用场景有：
- 跳过不需要的数据
- 使用不同的输入格式两次读取同一个变量
