SAS中三种常用数据查重方法的深入比较

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

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。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享1 收藏13 回帖

关键词：数据查重 Proceedings Publishing NODUPKEY Distinct 数据

Good summary

很经典

请问楼主，您所介绍的第二点，if first.c then output ex1，我理解的是重复的c都不输入，可是为什么ex1数据集里会有重复的5？然后我把first.b也试了一下，也是一样有一个5是重复的，为什么会这样？我是新手，实践不多，求解答
   

mark
LZ太好了

楼主还在不？求解答……

1. proc sql;
   
2. create table ex2(keep=a b c) as
   
3. select a, b, c, count(*) as freq
   
4. from ex
   
5. group by a, b, c
   
6. ;
   
7. quit;

复制代码

对LZ的SQL方法做个补充，在数据量较大时，比直接distinct效率更高一些：
若有兴趣，可用如下的程序测试一下：

1. data ex;
   
2. input a b c;
   
3. cards;
   
4. 2 2 3
   
5. 2 2 3
   
6. 4 5 6
   
7. 4 5 6
   
8. 4 5 6
   
9. 4 5 6
   
10. 4 4 4
    
11. 4 4 5
    
12. 7 7 8
    
13. 9 5 5
    
14. ;
    
15. run;
    
16. data test(drop=i);
    
17. set ex;
    
18. do i=1 to 100000;
    
19. output;
    
20. end;
    
21. run;
    
22. /*1. Group by*/
    
23. proc sql;
    
24. create table ex2(keep=a b c) as
    
25. select a, b, c, count(*) as freq
    
26. from test
    
27. group by a, b, c
    
28. ;
    
29. quit;
    
30. /*2. Distinct*/
    
31. proc sql;
    
32. create table ex2 as
    
33. select distinct a, b, c
    
34. from test
    
35. ;
    
36. quit;

复制代码

感谢分享

学习了，很好很强大

很好