http://web5.pku.edu.cn/pucssr/SASbiancheng.pdf

	概述
	启动项目并浏览主要窗口
	向项目添加 SAS 数据
	从文本文件导入数据
	关于 SAS 任务
	创建和修改列表报表
	创建条形图
	关于“查询生成器”
	使用查询连接表
	将计算列添加至查询
	从查询生成“汇总表”
	创建饼图
	执行线性模型分析
	将多个报表组合成单个文档
	使用过程流
	更多内容

简明SAS教程

by LongFei 
version：0.11

SAS 统计软件

前言

简明致敬郇爷，细节留作习题。（雾）

本教程的内容主要是SAS的简单基本知识和SAS在多元统计分析中的应用。 
侧重在SAS的应用，会介绍如何根据SAS的输出结果得到结论，但不会深入讲解其中的统计原理。 
在每一章的开始，会简要概括本章内容和学习目标，以帮助同学们有针对性地进行学习。

代码讲解将由一条条的statement讲解来构成。

作者的话

这篇文章是为了整理自己最近复习SAS的心得笔记而写，旨在梳理自己的学习内容。

我以前修读多元统计分析课程时，SAS上机作业常常是照着课本和课件做的，对代码的含义一知半解，一旦提交了作业，几乎就会忘掉代码了。如今复习，由于已积累了较多的编程实践经验，对代码的理解也加深了。我把自己的理解写出来，希望能帮助正在或打算学习SAS的同学们。

原本只是打算写一个小教程，但写作过程中有点贪多求全，现在越写越多，只能强行“简明”了。

注意事项

本教程使用的SAS版本是9.4，SAS版本最低不低于9.3。

快速入门

本章介绍SAS编程的基本概念和逻辑，并写一个简单的示例程序，以期让初学者快速上手SAS编程。

学习目标

• 了解DataSet（数据集）、Procedure（过程），Statement和Option（选项）的概念
• 了解SAS程序执行流程和SAS代码基本语法结构。
• 了解简单日志信息的含义
• 写一个Hello World程序

基本概念

DataSet（数据集）

一张表，每列代表一个变量，每行代表一个观测。数据集是SAS进行统计分析的基本单位。

Procedure（过程）

简称为proc，SAS集成的各种统计分析功能的总称。可以使用不同的过程来完成不同的分析。

Statement（语句）

SAS代码，无论分成多少行，都要以一个分号结束，这一条到分号结束的代码，就被称为一个statement或语句，这是SAS执行代码的基本单位。一条条的语句，构成了SAS程序。 
statement之间是有层次关系的。顶层statement是一个独立执行单元的statement，比如data xxx;，proc print;，run;等等。次级statement则需要依赖于顶层statement——先执行顶层statement，才能执行次级statement，典型的次级statement就是by xx;，input a b;等等。 
次级statement是有使用范围的，需要在正确的顶层statement下才能被SAS执行，他们的主要作用是在细节上控制主statement的行为，在某些过程（proc)中，某些次级statement是必须设置的。比如说在排序过程(sort)里，就不能直接执行proc sort;，而必须在它后面添加by 变量名;来指定用于排序的变量后，才能执行。 
以下示例代码的每一行都是一个statement

1. data xxx;
2. set a;
3. proc print data=xxx;
4. run;

Option（选项）

选项是指写在statement语句后,分号前，以空格间隔的一系列单词或等式，比如noprint，data=xxx等。它们通常不是必要的，但能控制statement的宏观行为如：指定用于分析的数据集，不输出结果，指定绘制直方的数量等等。 
顶层statement和次级statement的option写法稍有不同。顶层statement的option是接空格如 proc procname data=xxx noprint;，而次级statement是接/如histogram RM/normal nmidpoints=12;

程序编写流程

dataprocrun

data

代码以data作为标识符起头，称为data步（数据步）。数据步的作用是建立数据集，进行数据的读取和修改，后续可以提供给过程步进行统计分析。SAS提供了强大的数据输入功能，能够把各种格式的数据输入到SAS中。此外，还能在数据输入的过程中进行计算，生成新的数据列，甚至能处理缺失数据，功能十分强大。

proc

代码以proc起头，称为proc步（过程步）。过程对指定的数据集进行统计分析。SAS提供了丰富多样的统计分析功能，还有各种选项可供细化。

run

写下一个run;，就可以让SAS在读取到这一步时，运行前面的所有语句。如果没有这一条，则代码只是被SAS读取了，但不会运行。

我们编写SAS程序，正是按照上述的运行过程来做的： 
1. data步——获取和整理数据 
2. 写proc步——分析数据 
3. 提交代码给SAS，得到output——输出分析结果

程序执行流程

提交代码逐条读取语句读取run后运行并输出继续读读完代码

在提交代码后，SAS会逐条读入statement。当读到run;这条statement时，SAS就会执行前面的所有statement，输出分析结果。如果我们的SAS程序中没有run;语句，则程序会处于持续运行状态，但不会执行前面读取到的statement。 
有些proc步的statement是持续性的，会阻止下一个proc的执行。这时就需要加一句quit;来终止该proc步。这是后话，待到用时再说。

在SAS 9.3以后，在默认设置下，proc步的分析结果会被输出到一个html文件上，这个html文件会被SAS用结果浏览器打开。如果不喜欢这种方式，可以使用ODS(Output Delivery System 输出交付系统)来改变输出方式和样式。这在后续的章节中会讲到。

基本语法

当初我学习的时候没有特别考究过SAS的语法，老师也没有强调，导致我常常需要记忆整段的代码来解决某个具体问题。这种学习方式效率十分低下，也缺乏拓展性——问题要求稍微变化一点就没辙了。 
事实上，SAS的代码虽然语法简单而选项繁多，但也有基本的编程语法结构。了解语法结构，能让我们在记忆时更有针对性，更容易理解代码含义，从而提高我们解决相似问题的能力。

从上一节的SAS运行过程可以看出，要编写一个SAS程序，就需要编写data步和proc步的代码，它们有着相似的语法结构。编写完成之后，再写一行run;让程序执行statement即可。

Data步

Data步以data作为开头标识，空格后接自行设定的数据集名，生成一个数据集。下面接上各种statement描述如何处理这个数据集。Data步有自己的次级statement语句，只可在data步中使用。 
一个完整data步的语法结构如下，以<>括起来的部分都是可选的，不必严格遵守下面的顺序：

1. DATA datasetname;/* 设定数据集名 */
2. <code that defines the variables in the data set>;/* 定义数据集的变量 */
3. <code to enter data>;/* 输入数据 */
4. <code to create new variables>;/* 创建新变量 */
5. <code to assign missing values>;/* 设定缺失值 */
6. <code to output data>;/* 设定输出的数据集 */
7. <code to assign labels to variables>;/* 设定变量的标签 */
8. <and other data tasks>;/* 其它数据任务 */

Proc步

Proc步以proc 作为开头标识，空格后接SAS过程名，再一个空格后接该过程的选项，最后仍以分号结束。分号后面接上多句次级statement，。同data步一样，proc有自己的次级statement语句。不过每一个过程的次级statement语句都不一样，有些能通用，有些则不能，有些还是必写的，需要具体问题具体分析。一般的语法结构如下，：

1. proc procname <options>;/* 启动过程步 对数据进行统计分析 */
2. <statements>/<options>;/* 次级statement，如果要添加选项，必须加/隔开 */

run和quit

run;和quit都是一条statement语句，而且是不依赖于data步和proc步的statement。 
当SAS执行了run;时，它就会把前面读取到的所有data步或proc步的statement都执行完。如果一个程序里没有run;，那么这个程序在提交后也不会被执行。 
当SAS执行了quit;时，它就会把某些会持续运行，占用SAS资源的的proc停掉，让SAS能够执行后面的proc。

大小写问题

在SAS中，各种statement的关键字，如data,proc等，都是不区分大小写的。不过，在字符串中，则会区分大小写。

学习心得： 
“做中学”是以实际问题驱动学习的方式，这在编程语言的学习中非常高效。我认为这一方式同样适用于SAS的编程学习。在学习中应当多多实践，尽可能完成课本的所有练习，加深对SAS代码的理解。

对data步，重要的是掌握它的次级statement操作，包括创建、读取、修改、删除、输出等等。处理数据是统计分析的开始，也是重要的一步。在多元统计分析的学习中，我们更关注统计分析的实践。练习中使用的数据一般都是处理好了的标准数据，可以直接使用。不过，在工作中可能会遇到各种各样的数据，有很多可能会有缺失值，如果想要在SAS的使用上更进一步，就一定要对data步有更多的了解。

对proc步，则需要按不同的过程，逐个学习。对有些功能相似的过程，可以先学习其中一个过程，然后对比另一个过程，进行迁移学习。 
在学习一个过程时，我喜欢首先了解它的应用背景，也就是了解它是用来做什么的。然后学习它常用的statement，知道如何从细节上控制分析过程。做到这一步就足够完成一些基本的统计分析了。但有时候有一些特殊需求，比如不输出分析结果，或者画直方图时顺带画出正态分布曲线，这就需要设置可选项了，这时候再去了解这个过程的可选项，以及相应的某些核心的statement的可选项即可。

日志(Log)

在向SAS提交代码之后，务必检查日志里的内容，确认程序的执行情况。特别是需要关注错误和警告。

错误

红色的字表示错误(error)，说明代码出错了，会导致程序在停止在SAS所提示的出错行，不再继续往下执行代码。

警告

绿色的字表示警告(warning)，说明当前提示的这句代码可能有问题，有可能会让你得不到预期的结果，但程序还是能继续运行下去。

学会阅读日志能帮助快速地排除小BUG，避免不必要的时间浪费。 
日志默认是打开的，如果没有打开，或者不小心关掉了。可以手动打开：菜单栏-->视图-->日志

Hello World

将以下代码复制到SAS的代码编辑器里并提交

1. data hellodata;
2. input ISay $ 1-20;
3. datalines;
4. Hello World One
5. Hello World Two
6. Hello World Three
7. ;
8. proc print;
9. run;

会得到以下输出：

数据输入和储存

本章介绍SAS的数据集的基本知识和data步中的数据输入方法。

学习目标

• 了解SAS数据集类型、结构和变量数据类型
• 掌握input的使用方法，能够精细地设定数据输入格式
• 掌握infile的使用方法，能够导入数据文件
• 掌握datalines的使用方法，能够手动输入数据

SAS数据集基本知识

数据集类型

数据集分为临时数据集和持久数据集两种类型。

临时数据集

数据集名是一个single name，也就是简单的名字，如：data example;,data dec2016等。临时数据集的数据，会暂时储存在SAS程序里，但一旦关掉SAS，就会被销毁，想要重新使用数据的话，就需要再次提交输入数据的代码。

持久数据集

数据集名则是一个two-part name，也就是用一个.连接的复合名字，如：data research.2016，data MyData.0001等。这个复合名字的前半部分是SAS的 library(逻辑库)名，后半部分是数据集名。这样的数据集会以文件的形式被储存到硬盘上，具体的位置是library指定的路径。即使关掉了SAS，下次再打开，只需要分配逻辑库名，就能直接使用，无需再次提交数据输入的代码。

实际上，临时数据集在SAS中也是存在library里的。这个library的名字叫work。每次关闭SAS时，系统会自动销毁这个library里的数据。 
在数据量比较小，数据输入耗时可忍受（几秒钟）的情况下，两种数据集没有什么使用上的差别。但一旦数据规模扩大到输入耗时几十分钟甚至几十个小时的时候，持久数据集就要优于临时数据集了。 
一般来说，实验可以使用临时数据集，做实际工作则应该使用持久数据集。

1. /* Ex 2.1 临时数据集和持久数据集的区别 */
2. /* 临时数据集实例
3. 每一次重新打开SAS，要运行代码中的proc步，就必须先提交data步。
4. */
5. data tempdata;/* 输入数据集 */
6. input t @@;
7. datalines;
8. 1 2 3 4
9. ;
10. proc print data=tempdata;/* 打印数据集 */
11. run;
13. /* 持久数据集实例
14. 只有第一次需要提交全部的代码，之后数据集就会被以文件形式储存在MyData库中。之后要使用，只需要执行第一句分配逻辑库名，就可以直接提交proc步，而无需再次提交data步输入数据。
16. */
17. libname MyData "D:\MyData";/* 分配逻辑库名 */
18. data MyData.tempdata;/* 输入数据集 */
19. input t @@;
20. datalines;
21. 1 2 3 4
22. ;
23. proc print data=MyData.tempdata;/* 打印数据集 */
24. run;

如果知道数据集文件的储存路径，还可以直接用文件路径名调用。比如，假设文件`D:\MyData目录下有一个名为tempdata的SAS数据集文件，我们可以直接使用：

1. proc print data="D:\MyData\tempdata";
2. run;

但是，不建议使用。

数据集的结构

数据集的结构就是一张表，每一列表示一个变量，每一行表示一个观测。以下是一个典型的SAS数据集 
在第一行中，第一列的Obs表示观测的序号，后面的a b c分别是变量名

变量命名规则

SAS允许为变量自由命名，但存在一些规则：

• 可以设定长度为1-32的任意字母、数字或下划线，不能包含空格。
• 必须以字母或下划线开头
• 不区分大小写
• 最好具有描述性（就是说能从变量名看出这个变量的含义，少用诸如a,b,c这样无语义的变量名），这项规则是可选的，但建议尽量遵守。

一些正确的变量名： 
GENDER AGE_IN_1999 AGEin1999 _OUTCOME_HEIGHT_IN_CM WT_IN_LBS 
一些错误的变量名： 
AGE IN 2000 2000MeaslesCount S S Number Question 5 WEIGHT IN KG AGE-In-2000

变量数据类型

学习过编程语言的同学都知道，在编程语言中，变量的数据类型是很重要的。在SAS中，虽然没有明确指出，但实际上也是存在不同的数据类型的，分别如下：

Numberic

数字型变量，也是SAS的默认变量类型。决定一个变量是不是数字型，只需要看它在逻辑上是否可以进行运算，如身高、体重之类，就可以用于计算，ID号、电话号码之类，不可用于计算，所以前两者是数字型变量，后两者不是。这种变量类型会自动忽略掉高位的0，如果你把ID号设置为数字类型，那么00012就会变成12。

Character

字符型变量，也包括Text（文本）或String（字符串）。这种类型的变量不能用于运算，并且会区分大小写。如果你对性别变量分组，那么M和m会被分成不同的组。SAS默认会把数据看成数字型变量，所以必须要手动把诸如ID号之类的数字形式的变量设置成字符型变量。

Date

日期型变量。要输入SAS的数据集中的日期变量可能会有多种多样的格式，比如10/15/09、01/05/2010或JAN052010等等。在后面会看到如何处理这多种多样的日期格式数据，并把他们转化为SAS能够用于分析的数据。实际上，在SAS数据集中储存的日期型变量数据是用整数表示的，这能很方便地进行数据操作。

变量数据类型实例程序

1. /* Ex 2.2 变量数据类型实例程序 */
2. data vartypes;
3. input id_num id_char $ weight_num @18 birth_date MMDDYY10.;/* 输入4个变量，分别是id_num(默认-数字型） id_char(字符型） weight_num(默认-数字型） birth_date(日期型，格式为：月/日/年) */
4. datalines;
5. 0001 0001 60 03/07/2016
6. 0002 0002 50 04/02/2016
7. 0003 0003 30 12/31/2016
8. 0004 0004 45 04/12/2016
9. 0005 0005 49 04/07/2016
10. ;
11. proc print data = vartypes;
12. run;

打印的结果如下：

可以看到id_num的0被去掉了，而birth_date变成了整数形式

数据的输入

数据的输入分为两步：首先，从外部文件或流式数据(in-stream data，可以简单地理解为直接嵌在代码里的数据)中读取原始数据，然后是将原始数据转化为SAS使用的标准数据集，需要设定一定的转化规则。 
SAS提供的数据输入功能十分强大，但是实际用到的不多，只讲简单实用的部分即可。

读取原始数据

外部文件

使用infile语句进行读取。格式为 infile filepath;。可以后接选项词做进一步的输入控制。常用的有DLM,用于指定分隔符；FIRSTOBS，用于指定从哪一行开始读数据；OBS指定到哪一行结束读取。 
infile "D:\MyData\MyCSV.csv" DLM=‘,‘ FIRSTOBS=2 OBS=10表明从D:\MyData\MyCSV.csv中读取数据，分割符为逗号，从第2行开始读，第10行结束。

流式数据

以datalines;开头，换行之后就可以写数据了，到最后换行，以一个分号结束即可。 
如果要写入的数据中有分号，则可以以dalines4；开头，最后结尾换成三个分号。

不要使用cards，这是很老旧的用法了，现在的datalines;完全可以替代cards;的作用

input语句用于设定如何将各种格式的数据转化成SAS使用的标准数据集。

设定转化规则

读入了原始数据之后，需要设定转化规则，用数学说原始数据集到SAS数据集的映射，把原始数据转化成标准的SAS数据集。SAS提供了多种多样的方法来确定转化规则，但一般来说，我们只需要使用input语句来设定规则就足够了。 
input语句的通用的语法为：input <specification(s)> <@ | @@>; 
specification(s)表示一个或多个特殊的表述，内容可以包括变量，以圆括号括起来的变量列表，$符号，指针控制，列控制，格式化标识等等，非常复杂，具体可以通过SAS的官方帮助手册里查input Statement进行了解。下面列举最常用的几种输入格式，能够解决绝大多数的输入问题。它们之间可以互相混合使用以完成最佳输入。

Freeform List Input

Freeform List Input（自由输入）是最简单也是最常用的。只需要设置变量列表，以及指定某些变量为字符类型即可，SAS会自动读取数据，数据之间以空格作为间隔符。

通用语法：input variable <$> ; 
variable为变量名，$是可选项，表明指定它前面的变量为字符类型。这最简单的语法，在大多数时候已经能满足学习中的数据需要了。这主要用于以作为空格间隔的原始数据。

1. /* Ex 2.3 Freeform List Input */
2. data test;
3. input x $ y z; /* x后接一个$，表明x是字符型变量，不省略高位的0 */
4. datalines;
5. 001 2 3
6. 004 5 6
7. 007 8 9
8. ;
9. proc print;
10. run;

输出结果：

Compact Data Format

Compact Data Format（紧凑输入）也是非常常用的，比起自由输入，只是增加了末尾用于控制数据输入指针的符号。 
通用语法：input variable <@|@@>; 
<@ | @@>表示可以写@或@@或不写，这决定着读取数据的指针的行为。 
- 不写：指针立刻换行 
- @：指针暂不换行，直到下一个input或一轮循环结束。 
- @@：指针不换行。循环结束也不换行。 
紧凑输入指的是末尾添加@@符号的写法，这可以让SAS连续地读取所有的数据。

1. /* Ex 2.4 Compact Data Format-input中@数量的区别 */
2. data test;
3. input x @; /*单个@，暂时不换行，直到下一个input或一轮循环结束 */
4. input y; /*没有@，下一个input语句会去读新的一行*/
5. input z @@; /*两个@，下一个input不换行，直接从下一个数据开始读*/
6. datalines;
7. 1 2 3
8. 4 5 6
9. 7
10. ;
11. proc print;
12. run;

输出结果：

Column Input

Column Input（列输入）是以列控制指针来控制输入的，可以以精确到具体列的形式进行数据的读取。 
基本语法：input variable <$> startcol<-endcol> ...; 
<$>正是前面说的字符类型控制符。startcol指明从哪一行开始读，<-endcol>是可选项，指明到哪一行读取结束，不写的话，就默认取starcol的值。

1. /* Ex 2.5 Column Input 列输入 */
2. data MyData;
3. input ID $ 1-3 SBP 4-6 DBP 7-9 GENDER $ 10 AGE 11-12 WT 13-15;
4. datalines;
5. 001120 80M15115
6. 002130 70F25180
7. 003140100M89170
8. 004120 80F30150
9. 005125 80F20110
10. ;
11. run;

输出结果

Formatted Input

Formatted Input（格式化输入）是用于将特殊的数据格式转化为SAS可识别的数据类型的，比如日期或者带小数点的数字。 
通用语法：input formated-vars ; 
formated-vars指的是格式化变量，标准格式是：col-pointer variable informat 
其中，col-pointer指明从第几列开始读取数据，用@n来表示，n为指定开始读取的列，variable指出变量名，informat指出输入的格式，所有的informat都必须以点号.或点号.后接1个数字的形式作结尾，具体格式表如下：

informat输入格式表

需要特别说明地是，日期在SAS中是以整数的形式储存的，这样便于进行统计分析。如果需要输出日期的数据，则需要在输出时，特别指出输出格式。

1. /* Ex 2.6 Formatted Input */
2. data MyData;
3. input @1 SBP 3. @4 DBP 3. @7
4. GENDER $1. @8 WT 3. @12 OWE
5. COMMA9. @22 InputDate MMDDYY8.;
6. format InputDate MMDDYY8.; /* 指定InputDate的输出格式，没有这句则会输出整数 */
7. /* 列标尺
8. ----+----1----+----2----+
9. */
10. datalines;
11. 120 80M115 $5,431.00 01/11/16
12. 130 70F180 $12,122 01/12/16
13. 140100M170 7550 01/12/16
14. 120 80F150 4,523.2 01/12/16
15. 125 80F110 $1000.99 01/12/16
16. ;
17. proc print data=MyData;
18. run;

输出结果

判别分析

判别分析的应用场景：对于总体,各自有自己的观测集，现在给出一个样本，需要判断它属于哪一个总体。

根据不同的判别指标和条件，我们可以用不同的衡量方法，来进行不同的判别分析，它们有各自不同的优劣。

距离判别

距离无疑是最直观的衡量方法，样本距离哪个总体近，就判它属于哪个总体。 
具体地说，就是利用观测集来估计总体（或总体的某些关键统计量），然后以某种方式来衡量观测与总体的远近程度，然后选择最近的总体。

马氏距离

要判断距离，首先得明确计算距离的方法。现在我们希望了解的是给定样本到某个总体的距离。联系欧氏空间，很自然地就想到，这个距离可以定义成到总体的中心的距离，而总体的中心可以用它的均值向量来表示，为了方便计算，我们一般取距离的平方。此外，还要考虑总体的集中程度，越集中的，自然就越高，这个在一元下可以用方差表示，在多元下则是用协差阵来表示。由此想法，我们可以定义样品与总体的马氏距离为

对于多个总体，我们只需要比较的大小即可

特别地，在两总体比较中，我们可以定义一个线性函数，从而得到判别准则：

SAS程序

在SAS中，我们可以使用discrim过程来完成上述的各种判别分析。

通用语法是

1. proc discrim <options>;
2. class variable;
3. <other statements>;

class variable;是必填的，它决定着要用什么变量来划分类别。然后我们可以根据不同的需求来添加options和statement完成统计分析。

马氏距离判别

统计软件SAS使用教程

2009-07-17  fire216