
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
KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-19偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12