SAS中三种常用数据查重方法的深入比较_sas培训
虽然利用查找重复记录的方法之前也讨论过，但是一直以来未进行深入研究和比较，今天对三种常用查重方法进行了一下细化分析，非常实用，供大家参考。
样板数据集如下：
data ex;
input a b c;
cards;
2 2 3
2 2 3
4 5 6
4 5 6
4 5 6
4 5 6
4 4 4
4 4 5
7 7 8
9 5 5
;
run;
具体查重方法如下：
1，sort语句
proc sort NODUPRECS out=ex1 dupout=ex2;
by a b ;
run;
ex1保留的是未重复的记录，ex2保留的是重复的记录。
如果将NODUPRECS换成NODUPKEY，会得到不一样的结果。两者差别详细参考http://www2.sas.com/proceedings/sugi30/037-30.pdf。简单地说：NODUPRECS 比较的是数据集中的所有变量，而NODUPKEY只比较by中列举的变量（也即通常所说的key变量）。 所以如果sort选项为NODUPRECS，上面的程序中将by中列举的变量换成a, 或a b, 或a b c，结果都是一样的。但是如果sort选项为NODUPKEY，结果就完全不一样。
2，data步
前提：需要先对数据进行排序。
proc sort data=ex;
by a b c ;
run;
data ex1 ex2;
set ex;
by a b c;
if first.c then output ex1;
else output ex2;
run;
该过程完全等价于sort语句的选项NODUPKEY，所以first.后面的变量为a, 或b, 或c，结果完全不一样。
如果不想让ex2数据集里面的重复记录多次出现，而是重复记录只出现一次，并统计该重复记录出现的次数。该思路非常经典。可用于查看数据库中按某几个变量定义的重复记录到底有多少条。该思路运用sort是解决不了的，采用data步如下：
data ex1 ex2;
set ex;
by a b c;
retain n 0;
if first.c then
do;
n=1;
output ex1;
end;
else n+1;
if last.c and n>=2 then
output ex2;
run;
retain的作用：在data步循环执行开始前初始化新变量值，使得在下一次循环前仍使用该初始化值。详细用法参考：http://support.sas.com/publishing/pubcat/chaps/58176.pdf
上述ex2数据集也可以采用freq和summary语句实现，具体如下。
proc freq data = ex noprint ;
table a*b*c/ out =ex2 (keep = a b c Count where = (Count > 1)) ;
run ;
proc summary data=b nway;
class a b c;
output out=c (drop=_type_ where=(_freq_>1));
run;
上述两程序基本原理是一样的。以summary语句为例，nway所起的作用很大，如果不加nway 的话，那么summary的结果将把所有类型都输出来。所有类型的意思就是，class的3个变量的取值分别存在两种大的分类：缺失和不缺失，而每个变量未缺失的时候又各自有不同的取值。所以，所有类型的意思就是：3个变量，包括取缺失值和不同非缺失值的所有组合。这样的结果肯定不是我们想要的，因为我们想要的是3个变量都不缺失的结果，所以就要加上nway。
3、Sql语句
proc sql noprint;
create table ex1 as
select distinct a, b, c
from ex;
quit;
select distinct：选取以关键变量（如上例中的a b c）确定的不同记录，该过程同样等价于sort语句的选项NODUPKEY，所以select distinct后面的变量不同，结果也不同。
同时SQL能更进一步进行频次统计，等价于data步输出的两个数据集功能的合并。
proc sql noprint;
create table ex2 as
select a, b, c,
count(*) as freq
from ex
group by a, b, c;
quit;
总结以上三类方法，SQL语句最为方便实用，推荐实用。
转载请注明：数据分析 » SAS中三种常用数据查重方法的深入比较_sas培训
