sas统计分析学习笔记（六）

1.lag函数

LAG函数返回上次执行时的自变量值，而不是上一个观测值，下面例子能说明这个特点：

DATA LAGGARD;
INPUT X;
IF X GT 5 THEN LAG_X=LAG(X);
DATALINES;
7
9
1
8
;
PROC PRINT DATA=LAGGARD;
ID X;
TITLE "Demonstrating a Feature of the AGE Function";
run;

在观测值X为7时，if条件为真，执行LAG函数并且返回一个缺失值。在观测值x为9时，if真，返回上一次LAG函数运行时的X值7。在观测值x为1时，if为假，返回缺失值。在x为8时，if为真，返回LAG上一次运行值9。

2.计算 来访者在来访时心率和血压的差异（patients数据集在笔记（五）里有建立）

函数DIF（x）等于x-lag（x）

DATA DIFFERENCE;
SET PATIENTS;
BY ID;
DIFF_HR=DIF(HR);
DIFF_SBP=DIF(SBP);
DIFF_DBP=DIF(DBP);
IF NOT FIRST.ID THEN  OUTPUT; *不输出每个患者第一次来访的观测值，因为没有差异可以计算;
RUN;

对每个观测值都执行一次LAG或者DIF操作，才能进入下一步操作，且不要输出第一次来访的观测值。

3.计算每个被试第一次和最近一次来访的差异

如果要知道每个患者第一次来访和最近一次来访心率和血压之差，需要找到一种方法记住上一次观测的数值。sas语句中的RETAIN语句能告诉sas，在data步骤循环时，将某个值设定为保留变量，程序会保留这个数值，直到你改变它。

DATA FIRST_LAST;
  SET PATIENTS;
  BY ID;
  RETAIN FIRST_HR FIRST_SBP FIRST_DBP;*retain语句，保存着三个变量;
  IF FIRST.ID AND LAST.ID THEN DELETE; *将只来了一次的患者信息删除;
  IF FIRST.ID THEN DO;
    FIRST_HR=HR;
    FIRST_SBP=SBP;
    FIRST_DBP=DBP;
  END;
  IF LAST.ID THEN DO;
    D_HR=HR-FIRST_HR;
    D_SBP=SBP- FIRST_SBP;
    D_DBP=DBP-FIRST_DBP;
	OUTPUT;
  END;
RUN;

由于每个患者只需要输出一个表示差异的观测值，所以在DO循环的内部加上了OUTPUT语句，如果不加output语句，则删除后剩下的所有观测值都将输出。

加了output语句的print输出结果：

不加output的print输出结果：

还可以用这样的程序解决上面的问题：

DATA FIRST_LAST;
  SET PATIENTS;
  BY ID;
  IF FIRST.ID AND LAST.ID THEN DELETE;*删除只有一次记录的患者信息;
  IF FIRST.ID OR LAST.ID THEN DO;
     D_HR=HR-LAG(HR);
     D_SBP=SBP-LAG(SBP);
     D_DBP=DBP-LAG(DBP);
  END;
  IF LAST.ID THEN OUTPUT;
RUN;

当读取LAST.ID为真时，所计算的差异正好是现在的值减去LAG函数上一次运行的值——第一次来访的值。

4.用PROC MEANS和PROC SUMMARY创建汇总数据集

PROC MEANS和PROC SUMMARY（添加了NOPRINT选项的PROC MEANS过程，和PROC SUMMARY过程完全一致）不仅可以通过CLASS（或BY）变量进行不同分类的描述统计，还能够用描述统计的结果创建新的数据集。比如，某个研究收集了关于学生的原始数据，但是处于比较教师的目的，你想将班级平均数作为观测的单位。或者原始数据是按天为单位收集的，当需要得到每个季度的销售额。

下面收集了许多学生的数据，包括学生编号、性别、教师姓名、教师年龄、前后两次测验成绩：

DATA SCHOOL;
   LENGTH GENDER $1 TEACHER $5;
   INPUT SUBJECT 
         GENDER $
		 TEACHER $
		 T_AGE
		 PRETEST
		 POSTTEST;
	GAIN=POSTTEST-PRETEST;
DATALINES;
1 M JONES 35 67 81
2 F JONES 35 98 86
3 M JONES 35 52 92
4 M BLACK 42 41 74
5 F BLACK 42 46 76
6 M SMITH 68 38 80
7 M SMITH 68 49 71
8 F SMITH 68 38 63
9 M HAYES 23 71 72
10 F HAYES 23 46 92
11 M HAYES 23 70 90
12 F WONG 47 49 64
13 M WONG 47 50 63
;
PROC MEANS DATA=SCHOOL N MEAN STD MAXDEC=2;
     TITLE "Means Scores for Each Teacher";
	 CLASS TEACHER;
	 VAR PRETEST POSTTEST GAIN;
RUN;

结果输出如下：

如果要将TEACHER而不是SUBJECT作为观测单位，需要重新建立一个新的数据集：

PROC MEANS DATA=SCHOOL NOPRINT NWAY;*NOPRINT告诉程序不要输出这个过程的结果;
  CLASS TEACHER;
  VAR PRETEST POSTTEST GAIN;
  OUTPUT OUT=TEACHSUM 
         MEAN=M_PRE M_POST M_GAIN;
RUN;

NOPRINT是告诉程序不要输出proc means这个过程，NWAY告诉程序在新的数据集中只呈现每个教师的结果，而不显示总体均值。

如果要在教师年龄纳入新的数据集，可以在proc means过程中使用ID语句：

PROC MEANS DATA=SCHOOL NOPRINT NWAY;*NOPRINT告诉程序不要输出这个过程的结果;
  CLASS TEACHER;
  ID T_AGE;
  VAR PRETEST POSTTEST GAIN;
  OUTPUT OUT=TEACHSUM 
         MEAN=M_PRE M_POST M_GAIN;
RUN;

5.解释分组后的_TYPE_含义

_TYPE_是表示二进制，运用一个sas数据集来说明：

DATA DEMOG;
   LENGTH GENDER $ 1 REGION $ 5;
   INPUT SUBJ GENDER $ REGION $ HEIGHT WEIGHT;
DATALINES;
01 M North 70 200
02 M North 72 220
03 M South 68 155
04 M South 74 210
05 F North 68 130
06 F North 63 110
07 F South 65 140
08 F South 64 108
09 F South  . 220
10 F South 67 130
;
PROC MEANS DATA=DEMOG N MEAN STD MAXDEC=2;
  TITLE "OUTPUT FROM PROC MEANS";
  CLASS GENDER REGION;
  VAR HEIGHT WEIGHT;
RUN;

结果输出：

使用PROC MEANS过程创建输出数据集：

PROC MEANS DATA=DEMOG NOPRINT;
  CLASS GENDER REGION;
  VAR HEIGHT WEIGHT;
  OUTPUT OUT=SUMMARY
         MEAN=M_HEIGHT M_WEIGHT;
RUN;
PROC PRINT DATA=SUMMARY;
TITLE "Listing of Data Set SUMMARY";
RUN;

也可以使用proc summary，它与proc means带noprint效果相等。

当_TYPE_为0时，表示的是所有未缺失值的总平均值；_TYPE_为1时，分别表示在每个REGION水平上HEIGHT 和weight的平均数；_TYPE_为2时，表示在每个GENDER水平下的平均值，_TYPE_为3时，分别表示每个GENDER和REGION水平结合上的平均数。

二进制数		_TYPE_	解释
0	0	0	总平均数
0	1	1	不同REGION的平均数
1	0	2	不同GENDER的平均数
1	1	3	单元格平均数

6.使用NWAY选项

如果在PROC MEANS语句中使用了NWAY选项，那就只有单元格平均数会被输出到新的数据集中，即_type_里的第3组；

如果想要知道用于计算统计量的数据中未缺失的观测值的数量，则需要在创建数据集时使用关键词“N=”；

最后，如果使用了NWAY就没有必要在输出的数据集中保留_type_，可以使用数据集选项DROP=舍弃这些变量。

PROC MEANS DATA=DEMOG NOPRINT NWAY;
  CLASS GENDER REGION;
  VAR HEIGHT WEIGHT;
  OUTPUT OUT=SUMMARY(DROP=_TYPR_);
           N=N_HEIGHT N_WEIGHT;
		   MEAN=M_HEIGHT M_WEIGHT;
RUN;

7.一道题目

已有BLOOD数据集，其中每个观测值包含ID/GROUP/TIME/WBC/RBC这5个变量：

DATA BLOOD;
  LENGTH GROUP $ 1;
  INPUT ID GROUP $ TIME WBC RBC @@;
DATALINES;
1 A 1 8000 4.5   1 A 2 8200 4.8   1 A 3 8400 5.2
1 A 4 8300 5.3   1 A 5 8400 5.5
2 A 1 7800 4.9   2 A 2 7900 5.0
3 B 1 8200 5.4   3 B 2 8300 5.4   3 B 3 8300 5.2
3 B 4 8200 4.9   3 B 5 8300 5.0
4 B 1 8600 5.5
5 A 1 7900 5.2   5 A 2 8000 5.2   5 A 3 8200 5.4
5 A 4 8400 5.5
;

请创建一个新的数据集，其中包含每个被试WBC和RBC的平均数。这个数据集应该包括变量ID、GROUP、M_WBC、M_RBC，其中M_WBC、M_RBC表示WBC和RBC的平均数。最后删除在原始数据中的观测值数量小于或者等于2的被试。

分析：可使用带有CLASS语句的PROC MEANS过程。由于我们要在数据中包含ID、GROUP ，可以把它们都作为CLASS变量或者使用ID语句（ID GROUP）。同时_FREQ_变量由MEANS过程创建，改变量在删除原始数据中观测值小于或者等于2的被试有重要作用。

PROC MEANS DATA=BLOOD NOPRINT NWAY;
  CLASS ID GROUP;
  VAR WBC RBC;
  OUTPUT OUT=NEW(WHERE=(_FREQ_ GT 2)
                 DROP= _TYPE_)
         MEAN=M_WBC M_RBC;
RUN;