SAS提高处理大数据效率的实用技巧

Emma爱精算

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。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;

Sylar﹏

来学习学习，整理的不错，赞一个