以下是自己总结的一些方法,欢迎拍砖,添砖加瓦。
1.测试代码的时候,可以从 大数据集中抽取一部分数据来进行测试,而不比直接在大文件上全部进行测试。抽取数据这个有好多种方法常用的如使用obs=option选项,proc surveyselect进行分层抽样,利用种子产生随机数来抽取等等,反正怎么方便怎么取。如 proc means data=test(obs=1000); run; 或者 options obs=1000; proc means data=test; run; options obs=max; 2.每个数据集最好只保留自己想要的变量,变量太多是会影响效率的,所以无关变量可以drop掉,或者keep想要的变量。
3.在对符合已知变量条件的记录进行处理时,果断先进行筛选,然后在进行处理。同时在 Data步建立新数据集,在进行的条件筛选中,where的效率比if高,因为where在读入的时候就已经进行判断,而if则是等到全部读完的时候才进 行判断。如需对class数据集中的男生建立一个新变量weight_new,以下这种写法是不可取的。
data test; set sashelp.class; weight_new=sum(height,-101); if sex=”男”; run; 可以这么写 data test; set sashelp.class(Where =(sex=”男”)); weight_new=sum(height,-101); run; 4.一些能省略的data步,如先经过data步进行简单的条件筛选,然后进行proc步的一些操作,诸如此类的data步,尽量省略吧。 data test; set sashelp.class; where sex=”男”; run; proc means data=test; var weight height; run; 完全可以这么写 proc means data=test(where=(sex=”男”)); var weight height; run; 5.需要修改数据集变量的label和format格式时,还是通过proc datasets过程进行修改效率比较快,它不需要记录进入pdv,比起data步更有效率。 data test; set sashelp.class; label weight="体重(斤)"; format weight best6.2; run;
proc datasets library=sashelp; modify class; label weight="体重(斤)"; format weight best6.2; run; quit; 6.纵向合并数据集时,如果生成的目标表就是来源表之一,那么proc append会比data步更有效率。 data test1; do i=1 to 10000000; x=1;y=1;z=1; output; end; run;
data test2; do i=1 to 10000000; x=1;y=1;z=1; output; end; run; data test1; set test1 test2; run;
/*proc append*/ data test1; set test1; stop; run; proc append base=test1 data=test2; run; /*proc datasets中的append*/ data test1; set test1; stop; run; proc datasets library=work; modify test; append base=test1data=test2; run; quit; proc append和proc datasets中的append过程效率是一样的。
7.对于大数据集,一般都会讲数据集压缩,以节省存储空间,sas里可以通过options compress=yes;来进行压缩。
8.如果我们想要查看一个变量顶部5%的记录,可以通过proc rank一步实现,而不需先通过univariate过程先将p95分位数求出,然后赋值给宏变量,最后再回到数据集中筛选。 data test; do i=1 to 200; output; end; run; proc rank data=test groups=100 out=want(where=(i_pct>=95)); var i; ranks i_pct; run; 9.在编写一些proc步时,对于分组变量最好是用class而不用by,因为用by是得对分组变量进行排序的。
10.视图的应用。视图是一个虚拟表,其内容由查询定义。同真实的表一样,视图包含一系列带有名称的列和行数据。但是, 视图并不在数据库中以存储的数据值集形式存在。行和列数据来自由定义视图的查询所引用的表,并且在引用视图时动态生成。所以视图能够节省大量的空间,同时 因为它不是以存储的形式存在,因此在一定程序上能够提高运行效率。如对生成的数据集进行means过程 data test1/view=test1; do i=1 to 30000000; x=1;y=1;z=1;output; end; run; proc means data=test1; var i; run;
data test2; do i=1 to 30000000; x=1;y=1;z=1; output; end; run; proc means data=test2; var i; run; 对比之下,我们可以看到视图比起数据集将近节省了10秒。但是引用视图的时候要注意,视图的名字能够覆盖视图的名字,但是它不能覆盖数据集的名字,因此建 立视图的时候,不能存在跟视图一样名字的数据集,否则会报错。同时,如果视图的名字存在,再要建立同样名字的数据集也是会报错。
11.format格式数据集的引用。比如说在信用卡交易数据集,每天的交易量都是很大的,同时包括境内境外交易,这时就存在币种转换问题。一张交易量很 大的表,和一张币种汇率表,这时如果通过币种去连接两个数据集,首先得先对这两个数据集按币种排序,然后merge进行计算,当然有人想到直接用sql连 接,不过这样消耗时间也都是非常大的。这时候就可以先将汇率表做成format的数据集形式,到时就可以直接使用了。如
data rate; input currency $ rate date yymmdd10.; format date yymmdd10.; cards; USD 6.13 2013/6/11 EUR 8.14 2013/6/11 GBP 9.56 2013/6/11 JPY 5.80 2013/6/11 HKD 0.78 2013/6/11 ; run;
data trans; input id $ currency $ money; cards; 001 USD 200 002 GBP 100 003 USD 120 004 HKD 1000 005 EUR 300 ; run;
proc sort data=rate nodupkey; by currency; run;
data rate_format; set rate end=last; retain fmtname 'rate_fmt' type 'c'; rename currency=start rate=label; drop date; run;
/*options fmtsearch=(sashelp);*/
proc format library=work cntlin=rate_format; run;
data trans_amt; set trans; rate=put(currency,$rate_fmt.); money_to_rmb=money*rate; run; 注意format数据集的地址,如果非work逻辑库下,则需要加上这么一句话options fmtsearch=(逻辑库名称);
12.将数据集载入内存。该方法减少数据集内存分配和释放的次数,降低I/O处理量,提高SAS程序执行效率,但是相当消耗内存,需要确认系统有足够多的内存资源,同时在使用完后,要记得释放。具体形式如下 sasfile test2 load;/*将数据集test2载入内存*/ data test; set test2; run; proc means data=test2; run; sasfile test2 close;/*将test2数据集从内存中释放*/ 13.hash的应用。在data步中使用hash对象,不但可以快速有效地检索和读取数据,还可以实现数据集 merge的功能,从而减少排序时间,提高了数据处理的能力,相对于merge,hash的效率更高,但是同时也很消耗内存,因此一般都是把小表放进 hash中。如用前面汇率进行币种的连接 data test; if _n_=0 then set rate; if _n_=1 then do; declare hash share(dataset:'work.rate'); share.definekey('currency'); share.definedata(all:'yes'); share.definedone(); call missing (of _all_); end; set Trans; if share.find()=0; run;
|