【SAS Says】基础篇：3. 描述数据

本节介绍如何利用SAS写一份数据报告，给出数据的基本信息。

从3.11开始的内容，是留给处女座的，主要说如何用proc tabulate和proc report产生一个更加耐看的报告。有时候print、means和freq产生的报告形式太过于单一，我们可以用tabulate和report精雕细琢一下。

本节目录：

读取数据（下）

3.1 使用SAS过程步

3.2 用where语句构造子集

3.3 用proc sort为数据排序

3.4 用proc print打印数据

3.5 用format改变打印外观

3.6 可供选择的formats（表）

3.7 使用proc format创建自己的格式

3.8 定制一个简单的报告

3.9 使用proc means描述数据

3.10 将描述性统计写入SAS数据集中

3.11 用proc freq为数据计数

3.12 用proc tabulate产生一个表格报告

3.13 为proc tabulate增加一个输出统计量

3.14 提升proc tabulate的输出外观

3.15 在proc tabulate输出的顶部

3.16 为proc tabulate的输出的数据方格指定多种格式

3.17 用proc report产生一个简单的输出

3.18 在proc report中使用define语句

3.19 用proc report创建建议报告

3.20 给proc report输出增加

3.21 为proc report输出增加统计量

【SAS Says】基础篇：3. 描述数据

3.1 使用SAS过程步

大部分过程步都有一个必须的语句，也有可选的语句，比如打印语句：proc print，这两个词是必须的，但可选的语句也有很多。

Proc语句 所有的语句的必须部分为proc 过程名，比如print、contents等。后面接一些可选项。比如proc print data=banana；

data=banana选项告诉SAS打印哪个文件，如果不加，则SAS默认打印最近使用的数据。前面还可以家libname语句，建立一个对本地文件的链接（2.20），比如：

LIBNAME tropical 'c:MySASLib';

PROC CONTENTS DATA=tropical.banana;

或者直接引用（2.21）：PROC CONTENTS DATA='c:MySASLibbanana';

BY语句 BY语句只在过程proc sort中是必须的，它用来对观测值排序。其他过程BY告诉过程对变量进行分别分析，且是可选的。比如要对每个州进行分别分析，则为：BY State

另外，除了proc sort，其他过程都假设了数据已经进行了排序，所以如果数据还没有排序，那么在分析之前要用proc sort排序。

TITLE和FOOTNOTE语句 这是为输出加上标题和脚注。最基本的title语句为：title ‘标题’，双引号、单引号皆可，比如：

TITLE 'Thisis a title';

如果标题中带有撇号，则需用双引号，或者将撇号换为双撇号：

TITLE ”Here’sanother title”;

TITLE ’Here’’sanother title’;

可以通过在tile、footnote后面加上数字来添加多个标题和脚注，

FOOTNOTE3 ’Thisis the third footnote’;

但是小数字的标题会代替大数字的标题，如title2会代替title3。

标题的去处可以用title 空值：TITLE;

Label语句 它可以为输出的变量加上标签，一个标签最大256字节，下面的代码为receivedate和shipdate创建了标签：

LABEL ReceiveDate=’Date order was received’

ShipDate=’Datemerchandise was shipped’;

注意的是，在数据步中使用label语句，则标签会保存在数据集中；在过程步中使用，标签只在这个过程中有效。

定制输出 使用系统选项，可以为输出设置诸如居中、日期、单行长度、页长度等。使用Output Delivery System，还可以改变输出的风格，以不同的格式输出（HTML、RTF），甚至改变输出的任何细节。

输出数据集 可以用ODS OUTPUT语句为输出结果创立一个数据集（5.3），一些过程中也可以用out=option。

3.2 用where语句在过程中构造子集

也可以用where构造子集，它方便快捷，因为他不创建新的数据集。且能够用在过程步中。

Where语句的基本形式为：

WHERE condition;

只有满足条件的观测值才进行proc过程。

一些使用最多的操作符及例子：

例子有一份关于画家的数据，artists.dat，包含画家的姓名、主要风格、国籍：

第一步首先是数据步，读取数据、使用直接指代在C盘mysaslib目录下创建一个名为style的数据集。

某天如果想打印出印象派impressionism画家的情况，那么可以使用where语句

输出结果为：

3.3 用proc sort为数据排序

基本形式为：

PROC SORT;

BY variable-1...variable-n;

SAS首先会按照第一个变量排序，再对后面的排序。

Data=，out=用来指定输入和输出数据，如果缺失out=，则SAS会将排序后的数据集代替原来的数据集。下面的代码告诉SAS对数据messy排序，并将排序后的数据存在neat中：

PROC SORT DATA=messy OUT=neat;

选项nodupkey告诉SAS排序时删除重复值，比如：

PROC SORT DATA=messy OUT=neat NODUPKEY;

SAS默认是升序，可以用选项DESCENDING来变成降序，将DESCENDING加在要降序的变量前面：

BY State DESCENDING City;

例子下面的数据显示了一些鲸鱼和鲨鱼品种的平均长度：

下面的代码读取并排序数据

输出结果为：

因为SAS认为缺失值是比字符串和数值都小，所以排在了第一位。另外，由于whale shark 40的数据有两个，故因为nodupkey选项而被删除一个。说明可见日志：

3.4 用proc print打印你的数据

基本形式：PROC PRINT;

SAS默认打印最近使用的数据集，DATA=可以指定数据集：

PROC PRINT DATA=data-set;

SAS默认打印观测值数，noobs选项可以取消。SAS默认打印时用变量标签代替变量，用label可以改变取消：

PROC PRINT DATA=data-set NOOBS LABEL;

还有下面的选项：

BY variable-list; 前提是数据必须进行排序

ID variable-list;

SUM variable-list; 打印变量总数

VAR variable-list; 指定打印哪部分变量以及打印顺序，默认打印全部。

例子有学生卖糖果的数据，Candy.dat，记录学生名、所属班级、销售日期、卖的糖果类型、卖出的糖果数。

下面的程序读取数据、计算每个学生赚得的利润（每买一块赚1.25美元），并用proc sort按班级排序。接着在proc print语句中加入by，以分班级打印，加入sum，计算每个班级总利润：

输出结果为：

3.5 用formats改变打印外观

打印数据时，SAS会自动为你安排最好的格式，小数点位数、空格等。

当不需要默认格式时，可以用SAS formats改变打印的外观。

对于字符串、数值、日期变量，SAS有很多格式。比如可以用commaw.d格式打印有逗号的数字，用$w.格式控制打印的字符串数，用MMDDYYw.格式将日期（以1960.1.1为基点的数字）打印成12/03/2003这样的格式。甚至可以将格式打印成十六进制、区位十进制、压缩十进制等。

SAS格式的普通形式为：

符号说明：$说明了是字符串、format是格式名、w是包括包括在小数点在内的长度、d是小数位数。句号非常重要，它用来区分格式名和变量名。

Format语句 可以用format语句同时将格式和变量联系起来，用format 变量名格式名，比如想要将格式DOLLAR8.2和变量profit、loss联系起来，把格式MMDDYY8.和格变量saledate联系起来：

FORMAT Profit Loss DOLLAR8.2 SaleDate MMDDYY8.;

Format可以用在数据步和过程步中，前者将把格式永久储存，后者只是临时储存。

Put语句 当写原始数据或者报告时，也可以在put语句中使用formats，在每个变量后面加上格式：

PUT Profit DOLLAR8.2 Loss DOLLAR8.2 SaleDate MMDDYY8.;

例子在上面的学生卖糖果的案例中，可以看到输出的日期是SAS日期值，这里用format变换成日期格式，并且用DOLLAR6.2将利润换成货币格式，

输出结果为：

3.6 可供选择的formats

下面是例子

3.7 使用proc format创建自己的格式

有时候变量值用数字代表实际的变量值，比如1代表男性，2代表女性，这种代码在打印的时候不好解读，可以用proc format使得打印出想要的值。

基本形式为：

Value语句中的name是格式的名字，如果格式是位字符串设计，则必须以$开头，长度不能超过32个字节（包括$），不能以数字结尾，除了下划线，不能包含其他任何特殊符号。且名字不能与已有的格式名冲突。Range是分配给等号右边文本的变量值，文本可以达到32767个字节，有的过程只会打印前面8或16个字节。下面是一个例子：

变量值是字符串要加上引号，range不止一个值要用逗号隔开，连续的range要用-，关键字low和high可以用来指代变量中最小和最大的的非缺失值。也可以用<来排除或指代某些范围，other可以给任何没有列在value语句中的变量分配格式。

例子有一份关于汽车公司客户的调查信息。包括客户年龄、性别（1为男性，2为女性）、每年收入、偏爱的汽车颜色（yellow,gray,blue,or white）：

下面的代码读取数据，并使用format过程为颜色、性别和汽车创建格式，并在打印数据时用format为变量指定这些输出格式：

输出结果为：

3.8 定制一个简单的报告

数据步可以帮助在报告中完成一些个性的需求，比如一页打印一个观测值等。

用file语句和put语句，基本形式为：

FILE‘file-specification’PRINT;

如input，put语句也有list，column，formatted方式，但因为SAS已经知道变量类型，因此不用符号$。且如果使用list ，SAS会自动在两个变量之间加上空格；使用column或者formatted，SAS将会把变量放在任何你指定的地方。使用指示器@n指定移动到第n列， n指定移动n列，/跳动到下一行，#n跳动到第n行。用@hold住当前行。

例子再一次使用学生卖糖果的案例，Candy.dat，记录学生名、所属班级、销售日期、卖的糖果类型、卖出的糖果数。

老师想看每位学生的销售情况，故要每页分别打印一位学生的情况，代码如下：

Data null是告诉SAS不要写数据集名，以便使得程序更快。File语句创建了一个输出文件，空标题title语句告诉SAS去除所有的自动标题。

第一个put语句以一个指示器开头，@5，告诉SAS移动到第5列，接着打印出“candy sales report for”，后面是姓名name。变量name、class和quantity都是以list方式打印，而profit是使用formatted方式打印，并给定格式dollar6.2。一个斜杠是指跳到下一行，两个斜杠是跳到下两行。最后，语句put_age_是在每个学生报告下面插上页码，程序运行后，日志说明如下：

前三页报告如下：

3.9 使用proc means描述数据

可以用proc mens查看一些简单的统计量，Means过程开始于关键词proc means，后面接需要打印的统计量，基本形式：

PROC MEANS options;

如果不加选项，则默认打印出非缺失值个数、均值、标准差、以及最大最小值，下面是用选项可以查看的统计量：

如果没有其他语句，proc means语句会给你数据集中所有观测值和所有数值变量的统计量，这里是一些可以用到的语句：

BY variable-list; 分变量单独分析，但数据必须先按照variable-list的变量顺序排序（proc sort）。
CLASS variable-list; 也是分变量单独分析，看起来会更集中一些，且不需要排序。
VAR variable-list; 指定分析中使用哪种数值变量，默认则使用所有的数值变量。

例子有一个花朵销售的数据，Flowers.dat，包括顾客ID，销售日期，petunias，snapdragons，marigolds三种花的销售量：

下面的代码读取数据，计算新变量销售月份，month，并使用proc sort按照月份排序，并使用proc means的by语句来按照月份描述数据：

输出结果为：

3.10 将描述性统计写入SAS数据集中

有两种方法可以在SAS数据集中储存描述性统计量，Output Delivery System(ODS)，或者output语句。前者在5.3，后者的基本形式为：

OUTPUTOUT=data-set output-statistic-list;

Data-set是要储存结果的数据集名，output-statistic-list则界定需要保存哪些统计量和名称，可能的形式为：

statistic(variable-list)=name-list

statistic可能是proc means语句中的任何一种统计量（sum，n，mean…），variable-list则界定VAR语句中哪些变量需要输出，name-list则定义统计量的新名字。比如，proc means语句产生了一个数据集ZOOSUM，包括一个观测值和变量lionweight（the mean of the lions’weights），BearWeight（the mean ofthe bears’weights）。

Noprint是告诉SAS不需要产生任何打印结果，因为已经将结果存入数据集中。

例子仍然是花朵销售的数据

要描述数据，每个顾客只有一个观测值，包括SUM和MEAN，并且将结果储存到数据集中以便日后分析。下面的程序读取程序，按照CustomerID排序，使用means过程，结果存在totals数据集中。以原始名Petunia,SnapDragon,and Marigold给出sum，以新变量名MeanPetunia,MeanSnapDragon,andMeanMarigold给出mean

结果如下：

3.11 用proc freq为数据计数

对一个变量计算频数叫做one-way，两个叫做two-way，多个叫做交叉表。使用proc freq最明显的目的是现实分类数据的分布情况，基本形式为：

PROC FREQ;

TABLES variable-combinations;

产生一维频率表，只要列出变量名。下面的语句列出了变量YearsEducation的每一个值的个数。

TABLES YearsEducation;

建立两个变量的交叉表需要一个*号，下面的语句显示变量Sex by YearsEducation的频数情况：

TABLES Sex * YearsEducation;

这个语句之后可以用/option的形式添加选项，主要下面几个：

LIST：用list形式打印交叉表（而不是网格）
MISSING：频率统计量中包含缺失值
NOCOL：强制在交叉表中不打印列百分比
NOROW：强制在交叉表中不打印行百分比
OUT=data-set：输出数据集

比如说，使用第二个选项：

TABLESSex*YearsEducation/MISSING;

例子有一家咖啡店的销售数据，记录了销售的咖啡种类（cappuccino,espresso,kona,or iced coffee），以及每次购买的顾客是打包还是原地就饮：

下面的代码就产生了一个one-way和two-way的频率表：

代码告诉SAS打印两个表，一个是one-way的频率表，一个是交叉表。交叉表的每个小方格内，SAS打印了频数、百分比、行百分比和列百分比。左边和右边是累积百分比。注意计算频数时没有考虑缺失值。

3.12 用proc tabulate产生一个表格报告

比起print，means，freq，Proc tabulate过程产生的报告更耐看。

Proc tabulate的基本形式为：

PROC TABULATE;

CLASS classification-variable-list;

TABLE page-dimension,row-dimension,column-dimension;

Class语句列出分类变量。

Table语句可以定义一个表，可以用多个table语句定义多个表，

维度 table语句可以在报告中指定三个维度：页、行、列。如果只指定一个维度，则默认是列维度；如果指定两个，则是行和列。

缺失数据 默认下不考虑缺失数据，在proc语句后面增加missing选项可以改变这种默认：

PROC TABULATE MISSING;

例子有关于船的一些数据，Boats.dat，记录了每艘船的姓名、港口、移动方式（sailing或者power vesse）l，类型（schooner,catamaran,or yacht），使用它远行的价格

你想得到一份报告，包含了每一个港口的、sailing或者power vessel的、每一种类型的、船的数量，下面的代码用proc tabulate创建了一个三维报告：港口作为页、移动方式作为行、类型作为列：

报告分两页，及港口的每个值情况为一页：

3.13 为proc tabulate输出增加统计量

Class语句列出分类变量，而VAR语句告诉SAS那些变量装的是连续数据。基本形式为：

PROC TABULATE;

VAR analysis-variable-list;

CLASS classification-variable-list;

TABLE page-dimension,row-dimension,column-dimension;

关键词 下面是tabulate可以计算的值：

ALL:增加行、列或页，显示总数
Max：最高值
Min：最低值
Mean：算术均值
Median：中位数
N：非缺失值个数
Nmiss：缺失值数
P90：90th分位数
Pctn：某类的观测值百分数
Pctsum：某类值总和的百分数
STDDEV：标准差
SUM：求和

Concatenating,crossing,and grouping 维度、变量和关键词可以Concatenating,crossing,andgrouping，Concatenating变量或关键词，只需用空格分开列出即可；cross变量或关键字只需要用*分开列出即可；group变量只需要用括号括住变量或关键词。

Concatenating:

TABLE Locomotion Type ALL;

Crossing:

TABLE MEAN*Price;

Crossing,grouping,and concatenating:

TABLE PCTN*(Locomotion Type);

例子仍然是船的例子，

下面的代码类似4.12，但多了VAR语句，table只包括两维，但使用了Concatenate,cross,and group：

输出结果如下：

3.14 提升proc tabulate的输出外观

三种方式可以提升输出的外观：

Format=option 可以改变数据的格式，比如，在表中使得数字有逗号，并不含小数，则使用：

PROC TABULATE FORMAT=COMMA10.0;

Box=和misstext=options format只能用在proc语句中，而box=和misstext=只能用在table语句中。box=的作用是在tabulete报告的左上角的空格中写下一句简洁的语句（作用类似标题）。Misstext则是位空数据格指定一个值，默认是一个句号，比如下句：

TABLE Region, MEAN*Sales/BOX='Mean Sales by Region' MISSTEXT='No Sales';

这是告诉SAS在左上角打印“Mean Sales by Region”，并且在没有数据的方格内打印“No Sales”

例子仍然是船的数：

如下代码比前面多了format、box、misstext语句。注意format要出现在proc语句中，而box和misstext语句则出现在table语句中。

这是“被提升了的”外观，由于format指定dollar9.2，因此都用货币格式输出。左上角的full day excursions是由于box语句，空方格内的none是由于misstext语句。

3.15 在proc tabulate输出的顶部

有两种方法可以改变顶部信息

Class 变量变量值 要改变class语句列出的变量值的顶部，使用format创建一个用户定义的格式，然后用format语句将格式赋给变量。

变量名和关键字 改变变量名和关键字的顶部，用=’text’赋值即可，可以用等号加空值的方法去除顶部，即=’’，语句为：

TABLE Region='',MEAN=''*Sales='Mean Sales by Region';

这是告诉SAS移去region和mean的顶部，并且将sale的顶部换为“Mean Sales by Region”

有时候当行顶部被赋为空格时，会留下一个空白空格，可以用row=float强制去除这种空白空格：

TABLEMEAN=''*Sales='Mean Sales by Region',Region=''/ROW=FLOAT;

例子仍然是船的数据：

下面的代码和以前一样，多了对顶部的改变，format语句创建了一个用户定义的格式$typ，并用format语句把这个格式赋给变量type，table语句中locomotion、mean、type的顶部被赋为空格，price的顶部被赋值“Mean Price by Type of Boat.”

输出结果为：

这样的结果看起来清晰且紧凑。

3.16 为proc tabulate输出的数据方格指定多种格式

可以为不同变量指定不同格式，基本形式为：

variable-name*FORMAT=formatw.d

比如在table语句中插入这个复杂的语句：

TABLE Region,MEAN*(Sales*FORMAT=COMMA8.0 Profit*FORMAT=DOLLAR10.2);

这是给变量sales指定格式comma8.0，给变量profit指定格式dollar0.2

例子仍然是船的数据，新增加了一个变量，以显示船的长度：

假如你想在报告中同时show出平均价格和平均长度，仅为价格指定货币格式。下面的代码这样实现，为变量price指定格式dollar6.2，为length指定格式6.0：

输出结果如下，注意价格和长度的格式不一样：

3.17 用proc report产生一个简单的输出

Report包含print、means和tabulate、sort的所有功能，可以用一本书来介绍，基本形式为：

PROC REPORT NOWINDOWS;

COLUMN variable-list;

Column语句类似于proc print的var语句，告诉SAS哪些变量该包括并以何种顺序，如果遗漏语句column，SAS默认在数据集中包括所有变量，如果遗漏选项nowINDOWS，SAS默认启用交互report窗口。为使数据和顶部能很好的区分开来，可以使用headline和headskip：

PROC REPORT NOWINDOWS HEADLINE HEADSKIP;

Headline在顶部下面拉了一条线，headskip在顶部下面留了一段空白。

数值变量VS字符串变量 从proc report得到的报告类型，部分依据于使用的数值类型。只要报告中起码有一个字符串变量，默认的报告就是每个观测值一行。但如果报告全是数值变量，默认proc report将会加总这些变量，即使是日期变量也会被加总。

例子有一份关于美国国家公园（national parks）和国家纪念碑（monuments）的数据，Parks.dat，变量包括名字、类型（NP for national park or NM for national monument），地区（East orWest），博物馆的数量，野营地的数量：

下面的代码形成了两份报告，第一份没有column语句，SAS使用所有变量，第二份使用column语句，选择部分变量：

第一份报告与proc print相似，第二份报告，由于只选择museum变量和camping两个数值型变量，默认直接显示加总情况：

3.18 在proc report中使用define语句

Define用来为单个变量指定一些选项，基本形式为：

DEFINE variable/options’column-header’;

Usage选项 这个选项告诉SAS如何使用这个变量，可能的usage选项包括：

Across：为变量的每一个变量值都创建一个列
Analysis：为变量创建统计量，数值变量默认有这个usage选项，且统计量默认为sum。
Display：为数据集中的每一个观测值都创建一行（对于字符串变量，这个选项是默认的）。
Group：为每个变量的变量值都创建一行。
Order：为每个观测值都创建一行，且行值的排列是是按照指定的变量来顺序。

改变列顶部 proc report中几种方法可以改变列顶部，4.1中的label语句，或者用define语句指定列顶部，下面的代码使得SAS的report按照age排序，并且以“Age at Admission”作为列顶部：

DEFINE Age / ORDER 'Age at/Admission';

缺失数据 默认在order，group，和across variables中不考虑缺失值，用missing选项可以改变这种默认：

PROC REPORT NOWINDOWS MISSING;

例子仍然是关于国家公园和纪念碑的数据，

下面的代码包含两个define语句，第一个用order选项来定义region，第二个为变量camping定义列顶部。Camping是一个数值变量，默认有analysis选项。Missing选项也出现在了proc语句中，因此缺失值也会被考虑在报告中：

输出结果为：

Region有三个变量值，第一个是missing缺失值。

3.19 用proc report创建简易报告

Group创建简易行，across创建简易列。

Group 变量 下面的代码告诉SAS创建一个显示每个部门工资总和、奖金总和（数值变量将默认被加总）的报告：

Across变量 corss变量，也需要define语句，不同的是，SAS默认不是对变量值求和，而是计数。如果要加总，则需要再across变量和analysis变量之间加逗号，告诉SAS哪个变量要加总，下面的代码告诉SAS用列来显示出每个部门工资和奖金的总和：

例子仍然是国家公园和纪念碑的例子，

下面的代码包含两个proc report，第一个中，region和type都被定义成group变量，第二个中，region仍然是个group变量，但type是across变量。注意两个column语句基本一样，除了第二个中增加了标点（to cross the across variable with the analysis variables.）。

输出结果为

3.20 给proc report输出增加

Break语句可以为报告增加停顿，为每个指定的变量的变量值增加停顿。基本形式如下：

BREAK location variable/options;

RBREAK location/options;

Location有两种可能值——before和after，决定是之前停顿还是之后停顿。斜杠之后的选项告诉SAS插入哪种停顿，主要类型有：

OL 停顿的地方加入横线
Page 开始一个新的页面
Skip 插入一个空行
Summarize 插入数值变量之和
UL

需要注意的是，break要求指定一个变量，而rbreak不需要。因为rbreak只产生一个停顿（开始或结尾），而break语句为指定的变量的每一个变量值都产生停顿。这个变量必须是group变量或order变量，并且要在define语句中定义过。可以在任何报告中使用rbreak语句，但只能在有最起码一个group或者order变量的报告中使用break语句。

例子仍然是国家公园和纪念碑的例子：