Merge 在SAS中,如何基于某个ID变量将多行折叠为一行?
我正在处理的数据目前的形式如下:Merge 在SAS中,如何基于某个ID变量将多行折叠为一行?,merge,sas,rows,collapse,transpose,Merge,Sas,Rows,Collapse,Transpose,我正在处理的数据目前的形式如下: ID Sex Race Drug Dose FillDate 1 M White ziprosidone 100mg 10/01/98 1 M White ziprosidone 100mg 10/15/98 1 M White
ID Sex Race Drug Dose FillDate
1 M White ziprosidone 100mg 10/01/98
1 M White ziprosidone 100mg 10/15/98
1 M White ziprosidone 100mg 10/29/98
1 M White ambien 20mg 01/07/99
1 M White ambien 20mg 01/14/99
2 F Asian telaprevir 500mg 03/08/92
2 F Asian telaprevir 500mg 03/20/92
2 F Asian telaprevir 500mg 04/01/92
ID Sex Race Drug1 DrugDose1 FillDate1_1 FillDate1_2 FillDate1_3 Drug2 DrugDose2 FillDate2_1 FillDate2_2 FillDate2_3
1 M White ziprosidone 100mg 10/01/98 10/15/98 10/29/98 ambien 20mg 01/07/99 01/14/99 null
2 F Asian telaprevir 500mg 03/08/92 03/20/92 04/01/92 null null null null null
我想编写SQL代码,以以下形式获取数据:
ID Sex Race Drug Dose FillDate
1 M White ziprosidone 100mg 10/01/98
1 M White ziprosidone 100mg 10/15/98
1 M White ziprosidone 100mg 10/29/98
1 M White ambien 20mg 01/07/99
1 M White ambien 20mg 01/14/99
2 F Asian telaprevir 500mg 03/08/92
2 F Asian telaprevir 500mg 03/20/92
2 F Asian telaprevir 500mg 04/01/92
ID Sex Race Drug1 DrugDose1 FillDate1_1 FillDate1_2 FillDate1_3 Drug2 DrugDose2 FillDate2_1 FillDate2_2 FillDate2_3
1 M White ziprosidone 100mg 10/01/98 10/15/98 10/29/98 ambien 20mg 01/07/99 01/14/99 null
2 F Asian telaprevir 500mg 03/08/92 03/20/92 04/01/92 null null null null null
我只需要为每个唯一ID设置一行,列中包含所有唯一的药物/剂量/填充信息,而不是行。我想它可以使用PROC转置来完成,但我不确定执行多重转置的最有效方法。我应该注意到,我有超过50000个独特的ID,每个ID都有不同数量的药物、剂量和相应的填充日期。我想为那些没有数据可填充的列返回null/empty值。提前感谢。考虑以下使用两个派生表(内部和外部)的查询,该派生表按
FillDate
顺序建立顺序行计数。然后,使用行计数,if/Then或case/when逻辑用于迭代列。外部查询采用按id
、sex
、race
分组的最大值
唯一需要注意的是提前知道每个ID的预期行数或最大行数(即,我们的表浏览的另一个查询)。因此,根据需要填写省略号(…
)。请注意,将为不适用于特定ID的列生成缺失。当然,请根据实际数据集名称进行调整
proc sql;
CREATE TABLE DrugTableFlat AS (
SELECT id, sex, race,
Max(Drug_1) As Drug1, Max(Drug_2) As Drug2, Max(Drug_3) As Drug3, ...
Max(Dose_1) As Dose1, Max(Dose_2) As Dose2, Max(Dose_3) As Dose3, ...
Max(FillDate_1) As FillDate1, Max(FillDate_2) As FillDate2,
Max(FillDate_3) As FillDate3 ...
FROM
(SELECT id, sex, race,
CASE WHEN RowCount=1 THEN Drug END AS Drug_1,
CASE WHEN RowCount=2 THEN Drug END AS Drug_2,
CASE WHEN RowCount=3 THEN Drug END AS Drug_3,
...
CASE WHEN RowCount=1 THEN Dose END AS Dose_1,
CASE WHEN RowCount=2 THEN Dose END AS Dose_2,
CASE WHEN RowCount=3 THEN Dose END AS Dose_3,
...
CASE WHEN RowCount=1 THEN FillDate END AS FillDate_1,
CASE WHEN RowCount=2 THEN FillDate END AS FillDate_2,
CASE WHEN RowCount=3 THEN FillDate END AS FillDate_3,
...
FROM
(SELECT t1.id, t1.sex, t1.race, t1.drug, t1.dose, t1.filldate,
(SELECT Count(*) FROM DrugTable t2
WHERE t1.filldate >= t2.filldate AND t1.id = t2.id) As RowCount
FROM DrugTable t1) AS dT1
) As dT2
GROUP BY id, sex, race);
在某种程度上,这种方法的预期效率决定了最佳解决方案 例如,假设您知道填充日期的最大合理数量,您可以使用以下方法非常快速地获得一个转置表-这可能是最快的方法-但代价是需要大量的后处理,因为它将输出大量您并不真正想要的数据
proc summary data=have nway;
class id sex race;
output out=want (drop=_:)
idgroup(out[5] (drug dose filldate)=) / autoname;
run;
另一方面,垂直和转置是不需要额外步骤的“最佳”解决方案;虽然可能会很慢
data have_t;
set have;
by id sex race drug dose notsorted;
length varname value $64; *some reasonable maximum, particularly for the drug name;
if first.ID then do;
drugcounter=0;
end;
if first.dose then do;
drugcounter+1;
fillcounter=0;
varname = cats('Drug',drugcounter);
value = drug;
output;
varname = cats('DrugDose',drugcounter);
value = dose;
output;
end;
call missing(value);
fillcounter+1;
varname=cats('Filldate',drugcounter,'_',fillcounter);
value_n = filldate;
output;
run;
proc transpose data=have_t(where=(not missing(value))) out=want_c;
by id sex race ;
id varname;
var value;
run;
proc transpose data=have_t(where=(not missing(value_n))) out=want_n;
by id sex race ;
id varname;
var value_n;
run;
data want;
merge want_c want_n;
by id sex race;
run;
它不是疯狂的慢,真的,而且它很可能适合你的50k ID(尽管你没有说有多少毒品)。1或2GB的数据在这里可以正常工作,特别是在不需要对它们进行排序的情况下
最后,还有一些介于两者之间的其他解决方案。例如,您可以在数据步骤中完全使用数组进行转置,这可能是最好的折衷方案;您必须提前确定数组的最大界限,但这并不是世界末日
不过,这一切都取决于你的数据,而你的数据实际上是最好的。我可能会先尝试数据步/转置:这是最简单的,也是大多数其他程序员以前见过的,因此它很可能是最好的解决方案,除非它的速度慢得令人望而却步。以下是我尝试的基于阵列的解决方案:
/* Import data */
data have;
input @2 ID @9 Sex $1. @18 Race $5. @31 Drug $11. @44 Dose $5. @58 FillDate mmddyy8.;
format filldate yymmdd10.;
cards;
1 M White ziprosidone 100mg 10/01/98
1 M White ziprosidone 100mg 10/15/98
1 M White ziprosidone 100mg 10/29/98
1 M White ambien 20mg 01/07/99
1 M White ambien 20mg 01/14/99
2 F Asian telaprevir 500mg 03/08/92
2 F Asian telaprevir 500mg 03/20/92
2 F Asian telaprevir 500mg 04/01/92
;
run;
/* Calculate array bounds - SQL version */
proc sql _method noprint;
select DATES into :MAX_DATES_PER_DRUG trimmed from
(select count(ID) as DATES from have group by ID, drug, dose)
having DATES = max(DATES);
select max(DRUGS) into :MAX_DRUGS_PER_ID trimmed from
(select count(DRUG) as DRUGS from
(select distinct DRUG, ID from have)
group by ID
)
;
quit;
/* Calculate array bounds - data step version */
data _null_;
set have(keep = id drug) end = eof;
by notsorted id drug;
retain max_drugs_per_id max_dates_per_drug;
if first.id then drug_count = 0;
if first.drug then do;
drug_count + 1;
date_count = 0;
end;
date_count + 1;
if last.id then max_drugs_per_id = max(max_drugs_per_id, drug_count);
if last.drug then max_dates_per_drug = max(max_dates_per_drug, date_count);
if eof then do;
call symput("max_drugs_per_id" ,cats(max_drugs_per_id));
call symput("max_dates_per_drug",cats(max_dates_per_drug));
end;
run;
/* Check macro vars */
%put MAX_DATES_PER_DRUG = "&MAX_DATES_PER_DRUG";
%put MAX_DRUGS_PER_ID = "&MAX_DRUGS_PER_ID";
/* Transpose */
data want;
if 0 then set have;
array filldates[&MAX_DRUGS_PER_ID,&MAX_DATES_PER_DRUG]
%macro arraydef;
%local i;
%do i = 1 %to &MAX_DRUGS_PER_ID;
filldates&i._1-filldates&i._&MAX_DATES_PER_DRUG
%end;
%mend arraydef;
%arraydef;
array drugs[&MAX_DRUGS_PER_ID] $11;
array doses[&MAX_DRUGS_PER_ID] $5;
drug_count = 0;
do until(last.id);
set have;
by ID drug dose notsorted;
if first.drug then do;
date_count = 0;
drug_count + 1;
drugs[drug_count] = drug;
doses[drug_count] = dose;
end;
date_count + 1;
filldates[drug_count,date_count] = filldate;
end;
drop drug dose filldate drug_count date_count;
format filldates: yymmdd10.;
run;
用于计算数组边界的数据步骤代码可能比SQL版本更有效,但也更详细。另一方面,对于SQL版本,还必须从宏变量中删除空白。修正-谢谢汤姆
与其他答案中的
proc transpose
/proc sql
选项相比,转置数据步骤可能也是更有效的,因为它只使1个数据集进一步通过,但同样也相当复杂。我建议读这篇文章:嗯,这一定是一个重复,但是,在找到一个好的重复问题候选者时遇到了困难。@RobertPenridge我找到了类似的帖子,但没有一篇涉及到在同一集中确实需要转换变量(药物、剂量、填充日期)和不需要转换变量(性别、种族)的问题。似乎必须有一种比逐段转置更有效的方法,然后一次又一次地合并..可能是@RobertPenridge的副本-正式提出的副本。这个问题的一些答案可以推广到转置多个变量,而不需要做太多的工作。我添加了一个基于数组的答案,它分两个数据步骤来完成。如果让SQL为您修剪宏变量,则不必从SQL生成的宏变量中修剪空格<代码>插入:X已修剪或插入:X,以“”分隔