《深入解析sas：数据处理、分析优化与商业应用》一3.1 选取部分变量

本节书摘来自华章出版社《深入解析sas：数据处理、分析优化与商业应用》一书中的第3章，第3.1节，作者 夏坤庄 徐唯 潘红莲 林建伟，更多章节内容可以访问云栖社区“华章计算机”公众号查看

3.1　选取部分变量

在使用DATA步基于已经存在的数据集生成新数据集时，可以指定在新数据集中不需要包含的变量而仅读取其他变量，或者指定仅需要在新数据集中包含的变量。该功能可以通过DATA步中的SET语句和数据集选项KEEP=和DROP=来实现，也可以通过KEEP和DROP语句来实现。
1.?使用数据集选项KEEP=和DROP=
使用数据集选项KEEP=和DROP=的基本形式如下：

DATA 新数据集;
    SET 原数据集 (KEEP | DROP=变量列表);
RUN;

在该过程中，DATA步通过读取原数据集的部分变量来建立新数据集。新数据中包含的变量由所使用的选项（KEEP=或DROP=）给出的变量列表确定。使用选项KEEP=表示只读取变量列表中的变量，而使用选项DROP=则表示读取除变量列表中列出的变量之外的其他所有变量。
例3.1：读取数据集sashelp.shoes中与产品销售相关的变量Product、Stores和Sales，建立新数据集。
代码如下：

data work.shoes_part1;
    set sashelp.shoes (keep=Product Stores Sales);
run;

proc print data=work.shoes_part1 (obs=5) noobs;
run;

在上面的代码中，SET语句使用数据集选项KEEP=指定的Product、Stores和Sales。PROC PRINT打印所生成的数据集work.shoes_part1的前5条观测，如图3.1所示。可以看到，该数据集中包含了变量Product、Stores和Sales。
下面使用数据集选项DROP=来实现相同的功能，代码如下：

data work.shoes_part2;
    set sashelp.shoes (drop=Region Subsidiary Inventory Returns);
run;

因为sashelp.shoes的变量包含Product、Stores、Sales、Region、Subsidiary、Inventory和Returns，所以当选项DROP=中指定了Region、Subsidiary、Inventory和Returns时，剩下的变量Product、Stores和Sales都会被读取并写入数据集work.shoes_part2。所生成的数据集work.shoes_part2和前面示例中生成的work.shoes_part1相同。
简单来说，选择使用选项KEEP=还是DROP=依赖于哪种方法会需要指定较少的变量。但相比较而言，使用选项KEEP=会明确指明需要读取的变量，这样在比较大的作业中可以避免读取预期之外的变量。
2.?使用KEEP和DROP语句
在DATA步中，KEEP和DROP语句同样可用于选取写入到新数据集中的变量。使用DROP和KEEP语句的基本形式如下：

DATA 新数据集;
    SET 原数据集;
    KEEP | DROP变量列表;
RUN;

在该过程中，DATA步会读取原数据集的所有变量，但在写入新数据集前只保留部分变量。新数据集中包含的变量由所使用的语句（KEEP语句或DROP语句）给出的变量列表确定。使用KEEP语句表示只选取变量列表中变量，而使用DROP语句则表示选取除变量列表之外的其他所有变量。
例3.2：读取数据集sashelp.shoes中跟产品销售相关的变量Product、Stores和Sales，建立新数据集。
下面两段代码分别使用KEEP语句和DROP语句来完成上述功能，生成数据集work.shoes_part3和work.shoes_part4。
代码1：

data work.shoes_part3;
    set sashelp.shoes;
    keep Product Stores Sales;
run;

代码2：

data work.shoes_part4;
    set sashelp.shoes;
    drop Region Subsidiary Inventory Returns;
run;

在代码1中，DATA步会读取数据集sashelp.shoes中的所有变量，并选取KEEP语句指定的Product、Stores和Sales创建新数据集work.shoes_part3。在代码2中，DATA步的DROP语句指定了Region、Subsidiary、Inventory和Returns，那么剩下的变量Product、Stores、Sales会被选取写入数据集work.shoes_part4。这里所生成的数据集work.shoes_part3和work.shoes_part4也和work.shoes_part1相同。
使用KEEP语句还是DROP语句，与选择使用数据集选项KEEP=还是DROP=的标准一样。从上面的示例中可以看出，它们都可以实现相同的功能。那么，在开发程序时具体该怎样选择呢？
先来理解一下它们在执行过程中的不同之处。在DATA步中，SET语句会将数据读入程序数据向量PDV中。在SET语句中使用数据集选项时，只有选取的变量才会被读入PDV中，最后写入新数据集。而使用KEEP和DROP语句来选取变量时，SET语句会将原数据集中的所有变量读入PDV中，然后再通过相应的KEEP和DROP语句进行选取并写入新数据集。所以数据集选项KEEP=和DROP=会控制读入程序数据向量PDV中的变量，使用数据集选项通常会更有效率。
另外，有些功能可以通过数据集选项KEEP=和DROP=实现，但KEEP和DROP语句不能实现，接下来会介绍。
3.?一个DATA步中创建多个数据集
数据集选项KEEP=和DROP=除了可以在SET语句中使用之外，还可以用于DATA语句中指定的数据集。这样就可以在一个DATA步中通过给每个数据集使用选项KEEP=和DROP=来创建包含不同变量的多个数据集。而KEEP和DROP语句却实现不了该功能，因为它们会影响所有的输出数据集。
例3.3：分别读取数据集sashelp.shoes中关于产品销售情况的变量（Product、Stores及Sales）和产品库存情况的变量（Product、Inventory及Returns），并将这两类变量写入两个数据集work.shoes_sales和work.shoes_inventory。
代码如下：

data work.shoes_sales (keep=Product Stores Sales)
     work.shoes_inventory (keep=Product Inventory Returns);
    set sashelp.shoes;
run;

proc print data=work.shoes_sales (obs=5) noobs;
    title "Product Sales";
run;

proc print data=work.shoes_inventory (obs=5) noobs;
    title "Product Inventory";
run;

两个PRINT过程打印的数据集work.shoes_sales和work.shoes_inventory中的前5条数据分别如图3.2和图3.3所示。它们分别包含变量Product、Stores、Sales和Product、Inventory、Returns。
　　　　　　　

4.?有效地使用数据集选项KEEP=和DROP=
在DATA步中，可在DATA语句和SET语句中使用数据集选项KEEP=和DROP=。在DATA语句使用这些选项，PDV中会包括输入数据集中的所有变量，不过，只有当变量从PDV中写入结果数据集时，这些选项才会产生影响。然而，在SET语句中使用这些选项时，这些选项会确定哪些变量要从输入数据集中读取到PDV中，也就是说，SAS不会将未包括的变量读入PDV。在数据集很大时，这种方式会使程序执行更有效率。
在上面代码的基础上可在SET语句中增加选项DROP=来控制变量Region和Subsidiary不被读入PDV，以提高程序执行效率。如下：

data work.shoes_sales (keep=Product Stores Sales)
     work.shoes_inventory (keep=Product Inventory Returns);
    set sashelp.shoes (drop=Region Subsidiary);
run;

有时候，部分变量虽然不需要输出到新数据集，但在进行运算处理时却需要用到，这时候这些变量必须被读入PDV中，那么此时就不适合在SET语句中使用数据集选项KEEP=和DROP=了。对于这种情况，可在DATA语句中使用数据集选项KEEP=、DROP=，或使用KEEP、DROP语句来实现。