SAS：数据合并简介

数据合并，即两个或者多个数据集的数据合并到一个数据集中，常见的方式有3种，分别是 one-to-one reading、concatenating 和 Match-merging，其中只有最后一种Match-merging是要求匹配字段是已经排好序的。

 

在介绍之前，准备两个基础数据，是已经按照ID排好序的

cert.patdat

Obs	ID	Age	Sex	Date
1	A001	21	M	08/17/1997
2	A002	32	M	02/18/1986
3	A003	24	F	06/07/1994
4	A004	28	M	01/27/1990
5	A005	44	F	04/24/1974
6	A007	39	M	07/10/1979
7	A008	30	F	09/16/1988

 

cert.visit

Obs	ID	Visit	SysBP	DiasBP	Weight	Date
1	A001	1	140	85	195	11/05/2009
2	A001	2	138	90	198	10/13/2009
3	A001	3	145	95	200	07/04/2009
4	A002	1	121	75	168	04/14/2009
5	A003	1	118	68	125	08/12/2009
6	A003	2	112	65	123	08/21/2009
7	A004	1	143	86	204	03/30/2009
8	A005	1	132	76	174	02/27/2009
9	A005	2	132	78	175	07/11/2009
10	A005	3	134	78	176	04/16/2009
11	A008	1	126	80	182	05/22/2009

 

下面分别看一下三种方式

one-to-one reading

工作原理

one-to-one reading

 

创建一个新的数据集，新的数据集包含所有的变量。

根据每个观测在数据集中的位置去匹配，第2个数据集中变量的值会覆盖第1个数据集中变量的值。

结果集中观测的数量和数据量较少的那个数据集一样。

说简单一点，就是先从第1个数据集拿一行，然后再从第2个数据集拿一行去覆盖第1个数据集中数据。以次类推，直到有一个数据集结束。

 

语法

DATA output-SAS-data-set;

 SET SAS-data-set-1;

 SET SAS-data-set-2;

RUN;

 

示例

libname cert 'J:\sas_guide_data\base-guide-practice-data\cert';

data tmp1;
 set cert.patdat;
 set cert.visit;
run;

proc print data=tmp1;
run;

输出：

Obs	ID	Age	Sex	Date	Visit	SysBP	DiasBP	Weight
1	A001	21	M	11/05/2009	1	140	85	195
2	A001	32	M	10/13/2009	2	138	90	198
3	A001	24	F	07/04/2009	3	145	95	200
4	A002	28	M	04/14/2009	1	121	75	168
5	A003	44	F	08/12/2009	1	118	68	125
6	A003	39	M	08/21/2009	2	112	65	123
7	A004	30	F	03/30/2009	1	143	86	204

可以看到，两个数据集都有的变量ID和Date，结果集中只出现1次，且被第2个数据集的值覆盖。

当然，上面这个例子没有实际的意义，下图中的例子才有实际的意义：

 

concatenating

 

工作原理

concatenating

即将两个数据集连接起来

 

语法

DATA output-SAS-data-set;

 SET SAS-data-set-1

         SAS-data-set-2;

RUN;

 

示例

data tmp2;
 set cert.patdat
     cert.visit;
run;

proc print data=tmp2;
run;

输出:

Obs	ID	Age	Sex	Date	Visit	SysBP	DiasBP	Weight
1	A001	21	M	08/17/1997	.	.	.	.
2	A002	32	M	02/18/1986	.	.	.	.
3	A003	24	F	06/07/1994	.	.	.	.
4	A004	28	M	01/27/1990	.	.	.	.
5	A005	44	F	04/24/1974	.	.	.	.
6	A007	39	M	07/10/1979	.	.	.	.
7	A008	30	F	09/16/1988	.	.	.	.
8	A001	.		11/05/2009	1	140	85	195
9	A001	.		10/13/2009	2	138	90	198
10	A001	.		07/04/2009	3	145	95	200
11	A002	.		04/14/2009	1	121	75	168
12	A003	.		08/12/2009	1	118	68	125
13	A003	.		08/21/2009	2	112	65	123
14	A004	.		03/30/2009	1	143	86	204
15	A005	.		02/27/2009	1	132	76	174
16	A005	.		07/11/2009	2	132	78	175
17	A005	.		04/16/2009	3	134	78	176
18	A008	.		05/22/2009	1	126	80	182

同样的，两个数据集都有的变量ID和Date，只出现一次, 但因为这个是连接，所以不存在值覆盖问题。

同样的，上面的例子没有实际意义，只是为了展示工作原理，下面的例子才有实际意义：

 

Match-merging

工作原理

Match-merging

这个就是merge了，按照某个字段的值进行匹配，如果匹配上，就合并到一条记录中。

 

语法

DATA output-SAS-data-set;

 MERGE SAS-data-set-1

               SAS-data-set-2;

 BY <DESCENDING> variable(s);

RUN;

 

示例

data tmp2;
 merge cert.patdat
       cert.visit;
 by id;
run;

proc print data=tmp2;
run;

输出

Obs	ID	Age	Sex	Date	Visit	SysBP	DiasBP	Weight
1	A001	21	M	11/05/2009	1	140	85	195
2	A001	21	M	10/13/2009	2	138	90	198
3	A001	21	M	07/04/2009	3	145	95	200
4	A002	32	M	04/14/2009	1	121	75	168
5	A003	24	F	08/12/2009	1	118	68	125
6	A003	24	F	08/21/2009	2	112	65	123
7	A004	28	M	03/30/2009	1	143	86	204
8	A005	44	F	02/27/2009	1	132	76	174
9	A005	44	F	07/11/2009	2	132	78	175
10	A005	44	F	04/16/2009	3	134	78	176
11	A007	39	M	07/10/1979	.	.	.	.
12	A008	30	F	05/22/2009	1	126	80	182

可以看到，两个数据集都有的变量Date，输出中只出现一次, 且被第2个数据集的值覆盖(ID是匹配字段，所以谈不上覆盖)，这是第一个问题。

另外一个问题是，结果集中的ID是包含了两个数据集中所有的值，无论是否能匹配上，比如A007只在数据集中patdat中出现过，如果想要结果集中只出现匹配的项怎么办？

针对这两个问题，都是有解决方案的。

问题1：patdat和visit中都有Date变量，但两者的含义并不相同，前者是出生日期，后者是指访问日期，如何避免被覆盖？答案是可以使用rename选项，选项语法为(RENAME=(old-variable-name=new-variable-name))

示例：

data tmp2;
 merge cert.patdat(RENAME=(Date=BirthDate))
       cert.visit(RENAME=(Date=VisitDate));
 by id;
run;

proc print data=tmp2;
run;

输出：

Obs	ID	Age	Sex	BirthDate	Visit	SysBP	DiasBP	Weight	VisitDate
1	A001	21	M	08/17/1997	1	140	85	195	11/05/2009
2	A001	21	M	08/17/1997	2	138	90	198	10/13/2009
3	A001	21	M	08/17/1997	3	145	95	200	07/04/2009
4	A002	32	M	02/18/1986	1	121	75	168	04/14/2009
5	A003	24	F	06/07/1994	1	118	68	125	08/12/2009
6	A003	24	F	06/07/1994	2	112	65	123	08/21/2009
7	A004	28	M	01/27/1990	1	143	86	204	03/30/2009
8	A005	44	F	04/24/1974	1	132	76	174	02/27/2009
9	A005	44	F	04/24/1974	2	132	78	175	07/11/2009
10	A005	44	F	04/24/1974	3	134	78	176	04/16/2009
11	A007	39	M	07/10/1979	.	.	.	.	.
12	A008	30	F	09/16/1988	1	126	80	182	05/22/2009

可以看到输出中的BirthDate和VisitDate各占了一个变量

 

问题2：merge的时候如何只显示真正匹配上的行？

答案是可以使用IN选项，选项语法为IN=variable，它创建一个临时变量，如果当前观测对结果集有用，那么该变量值会被设置为1，否则设置为0，在匹配的时候加上IF关健字判断即可。注：这个变量并不会出现在结果集中。

示例：

data tmp2;
 merge cert.patdat(IN=tmpvar1 RENAME=(Date=BirthDate))
       cert.visit(IN=tmpvar2 RENAME=(Date=VisitDate));
 by id;
 if tmpvar1 eq 1 AND tmpvar2 eq 1;
run;

proc print data=tmp2;
run;

输出：

Obs	ID	Age	Sex	BirthDate	Visit	SysBP	DiasBP	Weight	VisitDate
1	A001	21	M	08/17/1997	1	140	85	195	11/05/2009
2	A001	21	M	08/17/1997	2	138	90	198	10/13/2009
3	A001	21	M	08/17/1997	3	145	95	200	07/04/2009
4	A002	32	M	02/18/1986	1	121	75	168	04/14/2009
5	A003	24	F	06/07/1994	1	118	68	125	08/12/2009
6	A003	24	F	06/07/1994	2	112	65	123	08/21/2009
7	A004	28	M	01/27/1990	1	143	86	204	03/30/2009
8	A005	44	F	04/24/1974	1	132	76	174	02/27/2009
9	A005	44	F	04/24/1974	2	132	78	175	07/11/2009
10	A005	44	F	04/24/1974	3	134	78	176	04/16/2009
11	A008	30	F	09/16/1988	1	126	80	182	05/22/2009

可以看到，结果集只有11个了。A007没有匹配上

 

参考资料：

SAS Certified Specialist Prep Guide