如何使用SAS软件高效率处理大数据
2019-04-16 张华 赵一鸣 临床流行病学和循证医学
最近，我参与一个大数据的处理与分析，作为一个不太专业的SAS使用者，在此过程中边查、边学、边用，在解决困难的过程中有了一些心得，分享给大家，希望对大家用所帮助。1.SAS是一般统计分析人员处理大数据的较好选择在处理大数据时，SPSS软件根本用不上，处理效率极低，而R软件处理数据时是先把数据读取到内存，因此当数据大小接近或超过内存大小时，R也无法应用，SAS是利用硬盘、运行效率较高的软件，且SAS软
最近，我参与一个大数据的处理与分析，作为一个不太专业的SAS使用者，在此过程中边查、边学、边用，在解决困难的过程中有了一些心得，分享给大家，希望对大家用所帮助。
1.SAS是一般统计分析人员处理大数据的较好选择
在处理大数据时，SPSS软件根本用不上，处理效率极低，而R软件处理数据时是先把数据读取到内存，因此当数据大小接近或超过内存大小时，R也无法应用，SAS是利用硬盘、运行效率较高的软件，且SAS软件较成熟，百度你遇到的问题一般可以找到答案，SAS还有一个强大的帮助系统。
2.测试集应用可检验程序是否正确，少做无用功
大数据的分析相当消费时间，可能计算一个频率需要半小时以上，而抽取一些case作为测试集，就相当于临床研究的预实验，可检验程序准确性，提高运行的效率。抽取数据这个有好多种方法常用的如使用obs=option选项，proc surveyselect进行分层抽样等。使用obs=option选项比较简单，如
optionsobs=1000；
proc freqdata=test；
table var；
run；
optionsobs=max；
3.仅保留需要的变量，压缩变量的长度
每个数据集最好只保留自己想要的变量，变量太多是会影响效率的，所以无关变量可以drop掉，或者keep想要的变量。在data步中在set后面的数据集进行keep、drop，效率更高。
Data a；
Set b(keep=)；
Run；
同时变量长度会影响数据大小，可使用proc contents查看数据变量长度，使用input或proc sql修改变量长度。
4.先筛选，再分析，少排序
在对符合已知条件的记录进行处理时，先进行筛选，然后在进行分析。同时在进行的条件筛选中，where的效率要比if高，因为where在读入的时候就就进行判断，而if则是等到读完的时候再进行判断。对于分组变量最好是用class而不用by，因为用by是得对分组变量进行排序的。
5.修改label和格式通过procdatasets
在处理过程中，如需要增加或修改数据集变量的label和format格式时，通过proc datasets过程进行修改效率比较快，它不需要记录进入pdv，比起data步更有效率。
6.使用optionscompress=yes可节省硬盘空间
对于大数据集，一般运行时，缓存的大小可达到原数据大小的10倍甚至更高，可能导致硬盘空间不够用，所以一般需要数据集压缩，以节省存储空间，sas里可以通过options compress=yes来进行压缩。
7.使用sasfile data load可提高运行效率，但会占用大量内存
Sasfile dataload的应用是将数据存入内存，会减少读取次数，可提高运行效率，节省时间。但如果内存不够大，不建议使用此命令。
通过以上的处理，可以在大数据处理节省较多的时间和硬盘空间，希望对有这方面需要的老师有所帮助，大家有什么使用技巧，也欢迎留言分享哦。
小提示：本篇资讯需要登录阅读，点击跳转登录
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
写的很详细，感谢分析
81
#SAS#
50
收藏了，有时间可以学习、实操！
76
谢谢分享
69