sas - 在具有重复 BY 值的 SET 或 MERGE 中使用多个数据集时，为什么我的变量不会在数据步骤之间重置？

Question

在 set 语句中运行包含两个数据集的数据步骤时，有时变量不会在迭代之间重置为缺失。当您有重复值时(即，当您的 by 变量不保证唯一记录时)，merge 也是如此。

例如:

data have1;
  do x=1 to 5;
    y=1;
    output;
  end;
run;

data have2;
  do x = 6 to 10;
     z=x+1;
     output;
  end;
run;

data want;
  set have1 have2;
  if missing(y) and mod(z,2)=0 then y=2;
run;

在这里，y 为来自 have2 的 every 记录赋予值 2，而不是仅偶数 z 值。

同样，

data have1;
  do x = 1 to 5;
    y=1;
    output;    
  end;
run;

data have2;
  do x = 1 to 5;
    do z = 1 to 4;
       output;
    end;
  end;
run;

data want;
  merge have1 have2;
  by x;
  if mod(z,4)=3 then y=3;
run;

为什么会发生这种情况，如何防止它造成意想不到的后果？

Answer 1

为什么会这样？

正如在 Combining SAS Datsets: Methods 中的 SAS 文档中详细讨论的那样，这是因为在 set、merge 或 update 语句上定义的变量在数据步骤(这相当于对传入数据集上的所有变量使用 retain)。

对于第一个例子，这自然地遵循了 retain 概念:y 被保留，所以当它没有被 set< 中的新记录替换时 的值为 y，它保留其最后一个值。 (正如我们稍后将看到的，它被清除一次:当 set 数据集发生变化时，因此它不再具有先前数据集中的早期值)。

但是，这并不能完全解释合并的功能(它是如何来回进行的)。这是由涉及 by 组时的不同行为引起的。

具体来说，变量不会在每个数据步迭代之间设置为缺失；但是，对于每个新的组或数据集，它们被设置为缺失。来自文档:

The values of the variables in the program data vector are set to missing each time SAS starts to read a new data set and when the BY group changes.

这就是为什么第二个示例在 z 的前两次迭代中将 y 设置回 1，但在 z 中保持为 3 =4 迭代。

按顺序，用 z 值标记每个迭代:

• Z=1: by group 的第一条记录，所以一切都设置为缺失。 HAVE1 被读取，HAVE2 被读取。 X=1, Y=1, Z=1 都设置好了。
• Z=2:读取have2的第二条记录。 y 保留上一次迭代的值 1。
• Z=3:读取have2的第三条记录。 y 设置为 3。
• Z=4:读取have2的第四条记录。 y 保留上一次迭代的值 3。

请注意，HAVE1 仅在 z=1 迭代中被读取一次。如果这是一个多对多合并，HAVE1 将针对具有相同 x 值的每个不同行读取一次。

我们如何防止它发生？

您有多种选择来处理这个问题，假设您希望它表现得好像它没有自动保留一样。

• 添加 by 语句

如前所述，在新的 by 值上，它会自动将所有内容重置为缺失。所以如果你跑了

data want;
  set have1 have2;
  by x;
  if missing(y) and mod(z,2)=0 then y=2;
run;

这会按预期工作(尽管这里给出的结果略有不同)。

• 自行设置部分或全部变量为 missing

您可以在两个地方执行此操作:

data want;
  set have1 have2;
  if missing(y) and mod(z,2)=0 then y=2;
  output;
  call missing(of _all_);
run;

或

data want;
  y=.;
  set have1 have2;
  if missing(y) and mod(z,2)=0 then y=2;
run;

根据您的需要，一个或另一个可能更适合您的程序(第一个将所有内容设置为缺失，但需要一个额外的语句(输出；)，而第二个仅设置 y 到 missing(这是所有需要的)但通过将 y 放在第一位来更改变量顺序。

对于具有重复 by 值的 merge，如果您想保留 y 的值，您可能需要执行以下操作:

data want;
  merge have1 have2;
  by x;
  y_new=y;
  if mod(z,4)=3 then y_new=3;
  rename y_new=y;
  drop y;
run;

它通过使用单独的变量来存储新值来解决问题。如果需要，您也可以将其设置为与上述类似的缺失。