SAS学习3（对数据的简单处理、条件、循环语句、数组、datasets过程）

最新推荐文章于 2023-08-03 16:55:20 发布
最新推荐文章于 2023-08-03 16:55:20 发布
阅读量1.9k 收藏 16
点赞数
分类专栏： 数据分析 文章标签： sas
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/windyjcy/article/details/127692825
版权

在这里插入图片描述

产生新变量

赋值语句
在这里插入图片描述

这里s的初值是0，然后循环处理，一直累加，相当于s=s+x
不要画蛇添足的写一个s=0，因为写上以后每次循环s的初值就是0，而不是累加了
在这里插入图片描述

这里每次循环z赋值为0，所以每次和x一样
s是上面讲过的累加
retain y 8 是给y赋初始值8，然后开始累加x，但是下次循环的时候，y的值不会重置，retain这条语句不会执行，所以就有y和s相差8的情况
retain语句可以代替求和语句，并且给数据赋初值
在这里插入图片描述

删除变量

drop把三个列删除掉，目标数据集中不会写入，但是中间运算过程中变量是可以使用的
在这里插入图片描述

drop以后，输出不显示，数据集中也不会写入
在这里插入图片描述

保留变量

保留指定变量，其他变量不写入
在这里插入图片描述

条件语句

mean计算平均值
每个观测值都会执行if语句，
put是输出语句，跟print的区别在于put是将输出值输出在日志窗口，而不是在输出窗口
在右边看到输出窗口都输出了，日志窗口只有if以后的
在这里插入图片描述

if 满足条件，then执行，否则else执行
在这里插入图片描述

忽略首行的变量描述 _N_
在这里插入图片描述

在这里插入图片描述

用if语句创建子数据集

在这里插入图片描述

删除行

由于这里if后面的语句不止一条，所以这里不能直接写
需要写do加上end，将这几句话框起来，相当于java中的{}

这里的of（查到的）：
这些函数的调用方法类似其它语言，比如求x1，x2，x3三个自变量的和可以用函数SUM(x1,x2,x3) 。另外，SAS还提供了函数调用的另一种语法以便于把多个数据集变量作为函数自变量，其格式为“函数名(OF 变量名列表)”，其中变量名列表可以是任何合法的变量名列表，比如x1 ，x2，x3的和等价地可以用SUM(OF x1 x2 x3)或SUM(OF x1-x3)表示。注意两种写法不能混在一起，比如SUM(OF x1,x2,x3)和SUM(x1-x3)都是错的。

关键应该是把多个数据集变量作为函数自变量，变量名列表写的时候中间没有逗号
在这里插入图片描述

循环语句

在这里插入图片描述

goto不建议使用
这里两个@@符号可以看到也可以用在输出中，表示不换行
在这里插入图片描述

其实就是for循环
c是1到8，步长是2；后面13表示也可以取13，16，17，18也可以取到
put c= 可以看到输出的是C=数字，这种形式
在这里插入图片描述
在这里插入图片描述

这个数据步没有input，也没有datalines，所以循环结束就会终止
结束以后，会自动创建一个数据集，写入n=5，只有一个观测值
在这里插入图片描述

output

output会将每次循环的观测值写入数据集

但是可以看到和上一个程序的差别，这里n没有把5写入数据集中
只有在数据步中存在output，数据步就不会产生自动写入的操作，只有output的时候才回去执行写入的动作
也就是只有output会显示的写入，而不会隐式的自动写入
在这里插入图片描述

do until是条件成立的时候退出循环
但是这里可以看到，循环还是执行了一次，这就相当于until是写在循环体最后面的
在最后面判断循环是否进行
所以这里仍然会进行一次执行
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

数组

sas中的数组相当于变量的别名
可以通过下标来对数组中的变量进行控制

创建数组：
ARRAY test[8] 变量名
表示创建8个变量的数组，分别对应
取元素的时候可以用小括号或者大括号
在这里插入图片描述

例子
在这里插入图片描述

这里在创建数组的时候赋予了初始值
input中test[*]读入test数组
在这里插入图片描述

多维数组

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

数据集连接

在列的方向上进行合并
当各个表中变量结构完全相同的时候，直接连接

当结构不同的时候，会将没有的值赋空值
在这里插入图片描述

合并

就是行的方向上合并

一对一合并就是直接将观测值一行行合并，其实大部分情况下没什么意义
在这里插入图片描述

匹配合并
在这里插入图片描述

首先产生两个数据集
在这里插入图片描述
在这里插入图片描述

排序以后合并
先排序是为了合并更加效率
sas中没有索引的概念
在这里插入图片描述

输出语句

put

在这里插入图片描述

@y表示在y的位置上输出x，后面的@的表示不换行
输出一行以后，写一个put表示换行
在这里插入图片描述

file

给文件中写数据
在这里插入图片描述

file指定输出的文件
print是表示输出窗，这里也可以是log，表示日志窗
也可以是文件名，表示写到具体文件中
n=ps表示行号可以控制

在这里插入图片描述
在这里插入图片描述

output

在这里插入图片描述

目标数据集有两个
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

datasets过程

在这里插入图片描述

在这里插入图片描述

append

在这里插入图片描述

modify

配合后面的语句使用
在这里插入图片描述

format

在这里插入图片描述

informat

在这里插入图片描述

label

rename

在这里插入图片描述

Zephyr丶J
关注
  • 0
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【SAS】纵向内容拆分与合并
大头山猪的窝
01-12 1540
非原创。
retain的用法 SAS
J_sir2015的博客
11-15 8380
问题描述：多个人在15NOV2019这天多次使用同一校园卡进入图书馆每次都借了数目不一样的书，要列出这张卡的首次借书数目。如下数据：cardid是校园卡号 name是不同的人，time是借书时间，nobook是number of book。现在只想list每张卡的第一次借书数，即从????到????的变化。这时可以使用retain。 ...
sas中retain语句的作用
热门推荐
巫山云的专栏
03-27 3万+
整理自：http://bbs.pinggu.org/thread-952476-1-1.html Q1: data a;        set b; run;      Set的作用是将数据集b中的记录逐条读入PDV中，在run语句的地方SAS会将pdv中的变量输出到数据集a中。 SAS帮助： What SET DoesEach time the SET statemen
SAS-数据集SQL水平合并
c573489167的博客
08-03 1866
sql的合并有两步，step1：进行笛卡尔乘积运算，第一个表的每一行合并第二个表的每一行，即表a有3行，表b有3行，则合并后3*3=9行。笛卡尔过程包含源数据的所有列，相同列名会合并。Step2：根据需要在第一步的基础上进行数据的筛选。分类包括：内合并（inner join）外合并（outer join）：左连接（left join）、右连接（right join）、全连接（full join）
【数据处理】【使用技巧2】SAS/SQL 根据共同字段将两行数据进行汇总合并
xiaotang_sama的博客
08-22 2823
导读： 最近在数据处理和分析过程中，遇到一个问题：用户A在不同的月份具有两个分数，如何使用SAS来汇总这个分数使得其变成一行中的两个字段。 问题实例： xaccount score score_date 1 900 20200731 1 800 20200831 转化为： xaccount score_first score_last 1 900 800 解法： 通过SAS的retain+first+last实现合并 data a; input xaccount
数据集 - datasets
最新发布
07-07
此外，数据集还为机器学习、深度学习和人工智能等领域的算法训练和模型构建提供了基础。 数据集的质量对于数据分析和应用至关重要。一个好的数据集应具有准确、完整、一致和可靠的特性。数据集的准确性取决于数据...
深度学习猫狗大战数据集处理7.2
01-07
猫狗大战数据集： 链接：https://pan.baidu.com/s/1_qa0u-vLFx1ARmlmJ05R_w 提取码：bgao import torch import torchvision import os from torchvision import datasets,transforms import time import matplotlib....
Pytorch数据集搭建与加载 pytorch-Datasets & DataLoaders +注释
10-31
在PyTorch中，数据处理是深度学习模型训练的关键步骤之一。`Pytorch-Datasets & DataLoaders` 是PyTorch框架中用于管理和加载数据集的两个核心组件，它们为高效且灵活的数据处理提供了强大的支持。本文将详细介绍...
datasets:用于下载，预处理和数字化流行的机器学习数据集的脚本
05-16
此存储库包含用于下载，预处理和数字化流行的机器学习数据集的脚本。 在整个项目中，我通常会发现自己重写了相同的代码行以标准化，规范化或其他化数据，对分类变量进行编码，解析出要素的子集以及其他杂项。 为了...
人工智能-项目实践-模型剪枝-在 oxford hand 数据集上对 YOLOv3 做模型剪枝.zip
01-03
人工智能-项目实践-模型剪枝-在 oxford hand 数据集上对 YOLOv3 做模型剪枝 用 YOLOv3 模型在一个开源的人手检测数据集 oxford hand 上做人手检测，并在此基础上做模型剪枝。对于该数据集，对 YOLOv3 进行 channel ...
SAS|数据集合并
WYMei_529
09-10 6718
纵向合并set、横向合并merge、交叉合并set by、匹配合并merge by
用SAS call execute 实现循环遍历
H的博客
12-06 1816
用SAS call execute 实现循环遍历
[Pandas] 多行合并成一行
Hudas的博客
09-16 6610
本文主要讲解利用Pandas进行多行合并成一行的操作
SAS数据分析之数组应用相关代码
weixin_42108215的博客
04-13 884
data _null_; set sashelp.class; retain total 0; total=total+age; if _N_=1 then total2=0; total2=total2+age; put _N_= age= total= total2=; run; proc sort data=sashelp.class out=class_sort; by sex; ru...
sas学习笔记01-赋值语句，累加语句，keep,drop,rename,（retain/sum statement）
goopancake的博客
11-03 8387
学习笔记01-赋值语句，累加语句，keep,drop,rename,（retain/sum statement）赋值语句几种赋值的实例rename语句累加语句与retain语句的区别《是可执行语句》Keep,drop语句《不可执行的语句》retain语句《不可执行的语句》retains values from the previous iteration of the DATA stepretain的基本语法sum语句也能达到retain的效果 赋值语句 variable=expression 几种赋值的实
SAS编程工作中常见问题(二)
qq_44591229的博客
04-29 323
SAS编程工作中常见问题(二)
sas retain和_all_
u010970317的博客
04-20 2038
sas小知识点： retain：对变量进行值的初始化和保留到下一个迭代步 all:从SAS日志中的数据步骤打印结果 put()函数：把数值型或字符型变量转为字符型变量 input()函数：将字符型变量转化为数值型变量 input:读取变量 put:在日志窗口显示变量的值 未使用retain:______ data d; put "初始化结果：" _all_; input x@@; put "逐步显...
SAS编程|Array数组在adam中的常见应用
SAS小白
09-26 749
ex数据集为首次注射的数据，suex数据集为补充注射的数据，我觉得这样写比较巧妙的是“PARAMN=(i-1)*2+EXATN”这个地方。以上是写项目过程中实现BDS结构比较方便的用法，其中vname取变量名作为PARAMCD值，vlabel取变量的标签名作为PARAM值，AVALC直接取变量值，ADES同理。不过这样写之后，有个特殊的地方，PARAMN的值因为开头赋值的原因，首次注射的PARAMN值都为奇数，补充注射的PARAMN值都为偶数，所以需要注意对应PARAMCD的赋值。
sas学习笔记（二）merge的用法
weixin_44740770的博客
06-14 2953
merge的用法
深度学习算法对图像数据进行处理代码
05-05
深度学习算法对图像数据进行处理的代码通常使用深度学习框架来实现，比较常用的框架有TensorFlow、PyTorch、Keras等。 以下是一个使用PyTorch实现图像分类的代码示例： ```python import torch import torch.nn as nn import torch.optim as optim import torchvision import torchvision.transforms as transforms # 定义数据预处理 transform = transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) # 加载训练数据 trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2) # 加载测试数据 testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform) testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2) # 定义神经网络模型 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): x = self.pool(torch.relu(self.conv1(x))) x = self.pool(torch.relu(self.conv2(x))) x = x.view(-1, 16 * 5 * 5) x = torch.relu(self.fc1(x)) x = torch.relu(self.fc2(x)) x = self.fc3(x) return x net = Net() # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) # 训练模型 for epoch in range(2): running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 2000 == 1999: print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000)) running_loss = 0.0 print('Finished Training') # 测试模型 correct = 0 total = 0 with torch.no_grad(): for data in testloader: images, labels = data outputs = net(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the 10000 test images: %d %%' % ( 100 * correct / total)) ``` 这段代码使用了一个基于卷积神经网络的模型对CIFAR-10数据集进行分类。其中，通过`transforms`定义了数据预处理操作，使用`torchvision.datasets`加载数据集，使用`nn.Module`定义了神经网络模型，使用`nn.CrossEntropyLoss()`定义了损失函数，使用`optim.SGD()`定义了优化器，使用`DataLoader`定义了数据加载器，最后通过训练和测试模型来对模型进行评估。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值