登录
首页精彩阅读sas快速处理大数据的使用技巧
sas快速处理大数据的使用技巧
2014-11-02
收藏

sas快速处理大数据的使用技巧

用sas在做数据分析时,有很多朋友会遇到和我一样的问题吧,数据分析师在这里分享一下。1.测试代码的时候,可以从大数据集中抽取一部分数据来进行测试,而不比直接在大文件上全部进行测试。抽取数据这个有好多种方法常用的如使用obs=option选项,proc surveyselect进行分层抽样,利用种子产生随机数来抽取等等,反正怎么方便怎么取。如

  1. proc means data=test(obs=1000);
  2. run;
复制代码

或者

  1. options obs=1000;    
  2. proc means data=test;    
  3. run;
  4. options obs=max;
复制代码

2.每个数据集最好只保留自己想要的变量,变量太多是会影响效率的,所以无关变量可以drop掉,或者keep想要的变量。

3.在对符合已知变量条件的记录进行处理时,果断先进行筛选,然后在进行处理。同时在 Data步建立新数据集,在进行的条件筛选中,where的效率比if高,因为where在读入的时候就已经进行判断,而if则是等到全部读完的时候才进行判断。如需对class数据集中的男生建立一个新变量weight_new,以下这种写法是不可取的。数据分析师培训

  1. data test;
  2.             set sashelp.class;
  3.             weight_new=sum(height,-101);
  4.             if  sex=”男”;
  5.      run;
复制代码

可以这么写

  1. data test;
  2.             set sashelp.class(Where =(sex=”男”));
  3.             weight_new=sum(height,-101);
  4.      run;
复制代码

4.一些能省略的data步,如先经过data步进行简单的条件筛选,然后进行proc步的一些操作,诸如此类的data步,尽量省略吧。

  1. data test;
  2.                 set  sashelp.class;
  3.                 where  sex=”男”;
  4.      run;
  5.      proc means data=test;
  6.                 var  weight height;
  7.      run;
复制代码

完全可以这么写

  1. proc means data=test(where=(sex=”男”));
  2.                 var  weight  height;
  3.      run;
复制代码

5.需要修改数据集变量的label和format格式时,还是通过proc datasets过程进行修改效率比较快,它不需要记录进入pdv,比起data步更有效率。

  1. data test;           
  2.      set sashelp.class;           
  3.       label weight="体重(斤)";            
  4.       format weight best6.2;    
  5. run;      

  6. proc datasets library=sashelp;            
  7.      modify class;            
  8.      label weight="体重(斤)";           
  9.      format weight best6.2;   
  10. run;    
  11. quit;
复制代码

6.纵向合并数据集时,如果生成的目标表就是来源表之一,那么proc append会比data步更有效率。

  1. data test1;
  2.        do  i=1 to 10000000;
  3.               x=1;y=1;z=1;
  4.        output;
  5.        end;
  6. run;

  7. data test2;
  8.        do  i=1 to 10000000;
  9.             x=1;y=1;z=1;
  10.             output;
  11.     end;
  12. run;
  13.    data test1;
  14.           set test1 test2;
  15.     run;

  16. /*proc append*/
  17.     data test1;
  18.           set test1;
  19.           stop;
  20.     run;
  21.     proc append base=test1 data=test2;
  22.     run;
  23. /*proc datasets中的append*/
  24.     data test1;
  25.           set test1;
  26.           stop;
  27.     run;
  28. proc datasets library=work;
  29. modify test;
  30. append base=test1data=test2;
  31. run;
  32. quit;
复制代码

proc append和proc datasets中的append过程效率是一样的。

7.对于大数据集,一般都会讲数据集压缩,以节省存储空间,sas里可以通过options compress=yes;来进行压缩。

8.如果我们想要查看一个变量顶部5%的记录,可以通过proc rank一步实现,而不需先通过univariate过程先将p95分位数求出,然后赋值给宏变量,最后再回到数据集中筛选。

  1. data test;
  2.         do   i=1 to 200;
  3.             output;
  4.         end;
  5.     run;
  6.     proc rank data=test groups=100 out=want(where=(i_pct>=95));
  7.           var    i;
  8.           ranks   i_pct;
  9.     run;
复制代码

9.在编写一些proc步时,对于分组变量最好是用class而不用by,因为用by是得对分组变量进行排序的。

10.视图的应用。视图是一个虚拟表,其内容由查询定义。同真实的表一样,视图包含一系列带有名称的列和行数据。但是,视图并不在数据库中以存储的数据值集形式存在。行和列数据来自由定义视图的查询所引用的表,并且在引用视图时动态生成。所以视图能够节省大量的空间,同时因为它不是以存储的形式存在,因此在一定程序上能够提高运行效率。如对生成的数据集进行means过程

  1. data test1/view=test1;
  2.         do i=1 to 30000000;
  3.               x=1;y=1;z=1;output;      
  4.         end;    
  5. run;     
  6. proc means data=test1;         
  7.         var   i;   
  8. run;
复制代码

1.jpg

  1. data test2;
  2.        do i=1 to 30000000;
  3.             x=1;y=1;z=1;
  4.        output;
  5.        end;   
  6. run;     
  7. proc means data=test2;        
  8.        var   i;    
  9. run;
复制代码

2.jpg

   对比之下,我们可以看到视图比起数据集将近节省了10秒。但是引用视图的时候要注意,视图的名字能够覆盖视图的名字,但是它不能覆盖数据集的名字,因此建立视图的时候,不能存在跟视图一样名字的数据集,否则会报错。同时,如果视图的名字存在,再要建立同样名字的数据集也是会报错。

11.format格式数据集的引用。比如说在信用卡交易数据集,每天的交易量都是很大的,同时包括境内境外交易,这时就存在币种转换问题。一张交易量很大的表,和一张币种汇率表,这时如果通过币种去连接两个数据集,首先得先对这两个数据集按币种排序,然后merge进行计算,当然有人想到直接用sql连接,不过这样消耗时间也都是非常大的。这时候就可以先将汇率表做成format的数据集形式,到时就可以直接使用了。如

  1. data rate;
  2. input currency $ rate date yymmdd10.;
  3. format date yymmdd10.;
  4. cards;
  5. USD 6.13 2013/6/11
  6. EUR 8.14 2013/6/11
  7. GBP 9.56 2013/6/11
  8. JPY 5.80 2013/6/11
  9. HKD 0.78 2013/6/11
  10. ;
  11. run;

  12. data trans;
  13. input id currency money;
  14. cards;
  15. 001 USD 200
  16. 002 GBP 100
  17. 003 USD 120
  18. 004 HKD 1000
  19. 005 EUR 300
  20. ;
  21. run;

  22. proc sort data=rate nodupkey;
  23.         by currency;
  24. run;

  25. data rate_format;
  26.         set rate end=last;
  27.         retain fmtname 'rate_fmt' type 'c';
  28.         rename currency=start rate=label;
  29.         drop date;
  30. run;

  31. /*options fmtsearch=(sashelp);*/

  32. proc format library=work cntlin=rate_format;
  33. run;

  34. data trans_amt;
  35.         set trans;
  36.         rate=put(currency,$rate_fmt.);
  37.         money_to_rmb=money*rate;
  38. run;
复制代码

注意format数据集的地址,如果非work逻辑库下,则需要加上这么一句话options fmtsearch=(逻辑库名称);

12.将数据集载入内存。该方法减少数据集内存分配和释放的次数,降低I/O处理量,提高SAS程序执行效率,但是相当消耗内存,需要确认系统有足够多的内存资源,同时在使用完后,要记得释放。具体形式如下

  1. sasfile test2 load;/*将数据集test2载入内存*/
  2. data test;
  3. set test2;
  4. run;
  5. proc means data=test2; 
  6. run;
  7. sasfile test2 close;/*将test2数据集从内存中释放*/
复制代码

13.hash的应用。在data步中使用hash对象,不但可以快速有效地检索和读取数据,还可以实现数据集merge的功能,从而减少排序时间,提高了数据处理的能力,相对于merge,hash的效率更高,但是同时也很消耗内存,因此一般都是把小表放进hash中。如用前面汇率进行币种的连接

  1. data test;
  2.         if _n_=0 then set rate;
  3.         if _n_=1 then do;
  4.                 declare hash  share(dataset:'work.rate');
  5.                         share.definekey('currency');
  6.                         share.definedata(all:'yes');
  7.                         share.definedone();
  8.         call missing (of _all_);
  9.         end;
  10.         set Trans;
  11.         if share.find()=0;
  12. run;
复制代码

数据分析咨询请扫描二维码

客服在线
立即咨询