SAS创建和使用索引（SAS INDEX)
一、概述
在合并数据集的时候，可以使用DATA步，但使用DATA 步时需要对KEY VALUE 排序，且KEY VALUE 的名字也必须一致；
也可以用PROC SQL ，不需要进行上述排序、重命名的步骤。 当数据量较小时使用哪种方式都不会影响代码的执行效率，但
1000万行且存在上百变量时上述code的执行效率严重下降。此时若使用index 则会提高代码运行效率。
INDEX 分为简单索引和复杂索引，也可以创建临时索引和永久索引（永久索引一但创建创功，就在文件存储地生成一个.sas7bndx的索引文件）
二、创建索引的方法：
1、DATA 步创建索引
使用（index=）选项在DATA 步创建索引，如下：
显式索引（Explicitly） INDEX=（ID/UNIQUE)
隐式索引（Implicitly) INDEX=(ID)
注：使用显失索引时，若KEY VALUE 不唯一，则会在log 页面生成错误信息。（故推荐用显式索引）。
简单索引：
DATAscore(INDEX=(student_id));
SET test;
RUN;
也可以同时创建多个简单索引：
DATAscore(INDEX=(student_id class));
SET test;
RUN;
复杂索引：
DATAscore (INDEX = (INDEX_NAME = (ID CLASS))/UNIQUE);
SET test;
RUN; *INDEX_NAME是创建的复杂索引的名字。
2、PROC DATASETS 步创建索引(为已存在的sas数据集创建索引，执行时间快，因为只读取KEY VALUE)
PROC DATASETSLIBRARY=;
MODIFY data_set_name;
INDEX CREATE var/UNIQUE NOMISS; *var是创建索引的key value;
INDEX CREATE index_name=(var1 var2)/UNIQUE;
QUIT;
注：在PROC DATASET 中删除索引用INDEX DELETE;
3、在PROC SQL 中创建索引；
PROC SQL ;
CREATE <UNIQUE> INDEX index_name ON column_name; *unique可选;
QUIT;
注：删除索引用DROP INDEX;
三、使用索引合并数据集
以下数据集1和2用作后续步骤的datasource.
数据集1： SCORE
DATA score;
input ID $ SCORES;
DATALINES;
1 80
2 85
3 60
4 75
5 90
6 99
;
RUN;
数据集2： AGES
DATA AGES;
INPUT ID $ AGE;
DATALINES;
2 18
3 19
4 16
7 20
8 19
9 15
;
RUN;
创建索引：
DATA SCORE(INDEX = (ID));SETSCORE;RUN;
DATA AGES (INDEX = (ID));SETAGES;RUN;
交集：
data S_AND_A;
SET SCORE;
_ERROR_ = 0;
SET AGES KEY = ID/UNIQUE;
IF _IORC_ = 0;
RUN;
只包含SCORE：
DATA SCORE_ONLY;
SET SCORE;
_ERROR_ =0;
SET AGES KEY = ID/UNIQUE;
IF _IORC_ NE 0 THEN AGE=0;
RUN;
只包含SCORE 中不属于AGE的ID记录：
DATA S_NOTIN_A;
SET SCORE;
_ERROR_ = 0;
SET AGES KEY = ID/UNIQUE;
IF _IORC_ NE 0;
AGE = 0;
RUN;
只包含AGES中不属于SCORE的ID记录：
DATA A_NOTIN_S;
SET AGES;
_ERROR_ = 0;
SET SCORE KEY = ID/UNIQUE;
IF _IORC_ NE 0;
SCORES = 0;
RUN;
并集：
DATA SOA; SET SCORE(KEEP = ID) AGES(KEEP = ID);RUN;
PROC SORT DATA =SOA NODUPKEY; BY ID;RUN;
DATA SORA;
SET SOA;
_ERROR_ =0;
SET SCORE KEY=ID/UNIQUE;
IF _IORC_ NE 0 THEN SCORES = 0;
_ERROR_ =0;
SET AGES KEY = ID/UNIQUE;
IF _IORC_ NE 0 THEN AGE = 0;
RUN;
*note:
1:ERROR is reset to 0 to prevent an error condition that would write the contents of the PDV to the SAS log.
2: IORC is a automatic variable(program data vector PDV),it’s used with INDEXed dataset to check whether the direct read found a matching observation,for matched observation IORC =0; otherwise IORC NE 0;
3：不能在一个data步内同时创建和使用索引；
4：当原数据集被覆盖时，原索引丢失，如需使用需新建索引；
5：使用length 语句，防止字符串被截断*
页:
[1]