
SAS、R如何手动输入数据
一道简单的题目,将下面的数据分别手动输入到SAS和R中,如何实现?
一、SAS
解决方案:
data cust_base_info;
inputcust_no$ name$sex$ is_marriage$birthday:yymmdd10.aum_m_avgods_date:yymmdd10.@@;
format birthday yymmdd10. ods_date yymmdd10.;
cards;
1LiMingMaleTRUE1984052151428.0620170331
2ZhangHongyiFemaleTRUE198201285203.420170331
3WangSimingMaleFALSE19830806214820170331
4ZhangCongMaleTRUE19830225110092.820170331
5LiuYingFemaleTRUE1988092038004.520170331
6MaMingyueFemaleFALSE198910191168020170331
;
run;
结果:
备注:
(1)字符型的变量需要在变量名后加上'$'符,比如:'cust_no$','name$';数值型变量就不需要,比如:'aum_m_avg'。
(2)日期型的变量,比如'birthday',需要加上相应的格式,比如:'birthday:yymmdd10.'和'format birthday yymmdd10.'。
(3)'@@'表示即时输入时不换行,SAS按照输入的顺序依次读取数据。
二、R语言
解决方案:
##在R中手动输入数据
cust_no <- c('1','2','3','4','5','6')
name<-c('LiMing','ZhangHongyi','WangSiming','ZhangCong','LiuYing','MaMingyue')
sex<-c('Male','Female','Male','Male','Female','Female')
is_marriage<-c('True','True','False','True','True','False')
##R语言中日期的默认输入格式为yyyy-mm-dd
birthday <- c('1984-05-31','1982-01-28','1983-08-06','1983-02-25','1988-09-20','1989-10-19')
##将日期的类型由字符型转化为date型
birthday <- as.Date(birthday)
aum_m_avg<- c(51428.06,5203.4,2148,110092.8,38004.5,11680)
##数据处理日期,由字符型转为date型
ods_date<- as.Date(rep('2017-03-31',6))
cust_base_info<- data.frame(cust_no,name,sex,is_marriage,birthday,aum_m_avg,ods_date)
##查看数据前6行
head(cust_base_info)
结果:
三、小结
手动输入数据,数值型变量最好处理,字符型变量加些格式,也好处理。难点在于日期的输入。
1、SAS中,需要在input时在变量后面加上特殊的日期格式,比如'ods_date:yymmdd10.'和'format ods_date yymmdd10.'。
2、R语言中,默认的输入格式是'yyyy-mm-dd',比如'1984-05-31'。输入完成后,因为它是字符型变量,需要将它用as.Date()函数转化为date型,例如birthday <- as.Date(birthday)。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10