SAS笔记(1) PDV与数据读入

其实我是不喜欢SAS的。当然，我不喜欢她，并不代表她不好，实际上在某些应用场景下SAS是款很优秀的软件。我的数据分析之路始于R,品尝过R的灵活与简洁（不论是软件安装还是语法）后，再来学习SAS，的确提不起兴致。然而由于：1.导师的项目数据量较大（几Gb到几十Gb）；2.之前的项目代码师兄已经用SAS很优美地实现了；3.我莫名地当上了该项目负责人，要带着师弟师妹做该项目。我也只好硬着头皮学习SAS。奈何现在脑力大不如前，看的东西越来越记不住，于是下定决心梳理一下SAS相关知识。

1. DATA步简介

在SAS中，我们使用DATA步来读入数据，DATA步在读入数据时实际上有两个阶段：编译（compilation）和执行（execution）。过程如下：

1. 在编译阶段中，逐个扫描语句，如果发现语法错误，SAS报错并终止运行；如果编译阶段中没有发现任何语法错误，进入执行阶段。
2. 在执行过程中，DATA部读入第一条数据，在SAS中创建第一条观测；读入第二条数据，在SAS中创建第二条观测；读入第三条数据，在SAS中创建第三条观测……直至读入最后一条数据并在SAS中创建最后一条观测。我们可以把这个过程当做隐式循环（和DO,DO WHILE,DO UNTIL语句区分，它们是显示循环）。

需要注意的是，并不是DATA步中的所有语句都是在执行阶段运行，事实上，可以把DATA步语句分为两类：可执行语句（executable）和声明语句（declarative）。
声明语句只在编译阶段起作用，它可以放在DATA步的任何位置。下面是一些基本的DATA步声明语句：
LENGTH：设置内部变量长度
FORMAT:设置变量输出格式
LABEL:设置变量标签
DROP：指示输出文件中删掉哪些变量
KEEP：指示输出文件中包含哪些变量

与声明语句不同，可执行语句在DATA步中顺序很重要。比如从外部读取一个文本文件，我们必须以INFILE语句开始，告诉SAS从哪里读文件；然后输入INPUT语句，告诉SAS怎么读该文件。所以，INFILE语句必须在INPUT语句前面，顺序很重要。

2. DATA步的编译阶段（DATA Step Compilation Phase）

SAS从外部读入原始数据（raw data）时，会在编译阶段开始时创建一个输入缓冲区（input buffer）来存储raw data。如果是从外部直接读入SAS数据（.sas7bdat文件）则不会创建输入缓冲区。SAS在编译阶段还会创建PDV（program data vector），PDV其实就是内存中的一块区域，通过PDV将读入的raw data的每一条数据变成SAS数据集中的每一条观测。在PDV中有两个自动变量，_N_和_ERROR_。_N_=1表示正在创建第一条观测，_N_=2表示正在创建第二条观测，依次类推。_ERROR_只有0和1两个取值，等于0表示在创建当前观测时未发现错误，等于1表示在创建当前观测时发现错误。除了这两个自动变量外，PDV中还有DATA步在创建的数据变量。

假设在我们电脑D盘里有一个student.txt文件，内容如下（第一行红字表示每个字符的所占列位置编号，不是文档内容）

Barbara 61 12D
John    62 175

现在我们用DATA步读入这个文件，并计算每个学生的BMI，看看PDV的工作原理。代码很简单：

data ex1;
infile 'C:\student.txt';
input name $ 1-7 height 9-10 weight 12-14;
BMI = 700*weight/(height*height);
output;
run;

1. 一开始，PDV中只有_N_,_ERROR_这两个自动变量。
   
2. 代码运行到 input name $ 1-7 height 9-10 weight 12-14;时，PDV中会按照input后变量的顺序创建NAME,HEIGHT,WEIGHT三个变量，D表示dropped，K表示kept。只有带K的变量才会output到数据集中。
   
3. 代码运行到BMI = 700*weight/(height*height);时,PDV中创建BMI这个变量

在编译阶段，SAS会检查语法是否正确，在编译结束的时候，会创建SAS数据集的内容描述，包括数据集的名字，观测数，变量名，变量数目，变量类型，所有这些内容都可以通过CONTENTS输出。

3. DATA步的执行阶段（DATA Step Execution Phase）

1. 在执行阶段的开始，自动变量_N_会被初始化1，自动变量_ERROR_被初始化0。一旦INFILE语句识别了我们待读取文件的路径，INPUT语句就会把待读取文件的第一条数据复制到输入缓冲区。
   
2. 接着，我们的输入指针（input pointer,下图的红色箭头）会在（@）输入缓冲区的开始处。
   
3. 然后，输入指针（红色箭头）会根据input语句定义的方式读入输入缓冲区的这条记录，并移动输入指针，在我们的例子中是将1-7列读入NAME，9-10列读入HEIGHT，12-14列读入WEIGHT，此时输入指针位于第15列。将记录写入到PDV,因为WEIGHT变量类型错误，所以WEIGHT变量值为空（.），同时_ERROR_会变为1，因为WEIGHT为空，所以BMI也为空。
   
4. 然后执行OUTPUT语句，将PDV中的这条数据输出到我们的SAS数据集--WORK逻辑库中的ex1。到此student.txt中的第一条数据已读入SAS数据集。
5. SAS返回到DATA步的第一条语句，也就是data ex1;开始读取student.txt中的第二条数据，此时_N_变为2，_ERROR_重新置为0，其余过程同上。如此往复，直至我们的输入指针遇到EOF(End Of the File)，退出循环。DATA步结束。

在我们的这个例子中，如果我们不使用OUTPUT也可以读入该数据，这是因为在DATA步中，当用户没有显式指定OUTPUT时，SAS会隐式调用OUTPUT。不论显式还是隐式output，它们的作用都是讲PDV的那条数据output到我们的SAS数据集中。

参考资料：《Handbook of SAS® DATA Step Programming》