sql - Proc SQL 并通过单个变量删除重复项

Question

PROC SQL 新手 - 我想使用 Proc SQL 连接(堆栈)来自两个不同数据集的 ID 和 Race 数据，同时还仅通过 ID(而不是 ID 和 Race)删除重复项 - 这可能吗？例如，合并下面的数据后，我只想要 ID=1 的第一个实例(其中 Race=white)，而不是 {(1, White) 和 (1, Black)}

样本数据:

DATA SAMPLE1;
    INPUT ID RACE$;
    DATALINES;
    1 WHITE
    2 BLACK
    3 WHITE
    4 BLANK
    ;
RUN; 
DATA SAMPLE2;
    INPUT ID RACE$;
    DATALINES;
    5 HISPANIC
    6 ASIAN
    7 HISPANIC
    8 ASIAN
    1 BLACK
    ;
RUN;

Answer 1

这不是 SQL 与普通 SAS 一样擅长的事情，但这当然是可能的。

几个选项:

外连接，与 COALESCE。比其他选项更难编写，因为您必须在初始选择中将每个变量写出两次。

proc sql;
select coalesce(s1.id,s2.id) as id, coalescec(s1.race,s2.race) as race from (
(select * from sample2) s2
full outer join
(select *,"1" as sample1 from sample1) s1
on s2.id=s1.id);
quit;

与 EXISTS 子查询联合。更慢，取决于 table 的大小；如果这是一个 10k 的表和一个 10 行的表，这是一个快速的解决方案；如果是 2 10k 表，这很慢。

proc sql;
select * from sample1
union
select * from sample2 where not exists (
  select 1 from sample1 where sample1.id=sample2.id
);
quit;

使用 JOIN 联合。可能比上述查询更快，具体取决于索引等。

proc sql;
select * from sample1
union
select sample2.* from sample2 
  left join sample1
  on sample1.id=sample2.id
  where missing(sample1.id);
quit;

但是在 SAS 中最简单的解决方案无疑是在 SAS 中进行。

data sample12_view/view=sample12_view;
set sample1 sample2;
run;

proc sort nodupkey data=sample12_view out=sample12;
by id;
run;

或

data sample12;
merge sample1(in=s1) sample2(in=s2);
by id;
run;

在这种情况下 s2 替换 s1，因此如果您更喜欢其他选项，请更改合并语句的顺序。