Sas 数据清理：处理额外的if语句与执行额外的赋值

编辑：我明白为什么这样做是错误的（我忘记了我过去是怎么做的），我接受了乔的答案。如果有人对SAS中关于比较更多if语句与执行额外任务的性能注意事项有任何意见，我仍然很感兴趣

---

以下哪种方法是首选的

通过将多个变体/键入组合成一个正确值来清理某些数据时， 我可以这样做：

备选方案A： 我看到的这些操作的问题是，每次遇到'A:Correct Value'，都必须通过每个if语句来处理它。这不是什么大不了的事，但我觉得“a”组到“Z”组的所有测试都会运行，这是不对的

因此，我可以写它：

方案B 这会阻止它通过正确的组进行计算（并且还有一个额外的优点，即允许您在末尾添加类似

else value='notcleanned'；

）

然而，这个版本最终执行了与

等效的操作，如果value='A:Correct value'，那么value='A:Correct value'。这看起来像是一个浪费的操作，尽管它可能比检查if语句的浪费更少

到目前为止，我已经：


选项A

优点：

短码
仅重新分配不正确的值（无
如果a=1，则a=1
）

缺点：

当一个值不需要清理时，它将必须继续执行每个if语句
不能用else子句结束


选项B

优点：

对于干净值和不干净值，评估将在正确的组停止
可以使用
else
子句捕获所有未清除的值（如果您更新基础数据并希望使用新值执行其他操作，则会很有用）
“in”列表包含映射到单个干净值的所有值（如果以编程方式生成这些值，可能会有所帮助）

缺点：

如果a=1，则必须执行
操作，然后a=1
操作
代码稍微长一些，因为必须写出两次正确的值



我的想法是，选择B是实现这一目标的更好方式。访问
else
语句，并且不必一直发送一个干净的“a:Correct Value”到Z的if语句，这似乎超过了避免使用
if a=1则a=1构造的任何值。但我对SAS的底层活动并不十分熟悉，因此重新分配操作可能比检查一些额外的if语句更耗时。
对于数据清理，这两个选项都不是特别好的选项。墙纸编码，即生成大量的
IF
语句，效率极低，难以读取/维护，写入速度较慢。它还将数据存储在程序中，这是不可取的；良好的编程习惯将数据与代码分开，这样，如果您的数据发生更改，您只需修改（其他）数据，而不是修改您的程序

单值数据清理（即检查）最好使用格式。如果愿意，您可以在程序中编写一种格式，但更好的方法是在数据集（或excel工作表、数据库表或其他任何地方）中维护该格式

一个简单的格式解决方案：

proc format;
value q01f
1-5  = [F1.0]
other= INVALID;
quit;

data test;
input x;
x_fixed = put(x,q01f.);
if put(x,Q01f.)='INVALID' then ; *take action here;
put x= x_fixed=;
datalines;
1
2
3
6
8
5
4
1
;;;;
run;

其中，值1至5为“合法”，其他值编码为“无效”。你可以用它来代替你的IF语句列表，如果它是合法的，你可以得到“合法”值。当然，你可以把想要的东西，而不是“无效的”；如果您希望99是“无效”响应，则将99放在那里

这不仅非常快（比多个IF语句或布尔语句快），而且易于维护。将这些合法值和格式名称放入excel文件中。您不仅可以获得易于维护的合法值列表（可以由非程序员维护），还可以免费获得数据字典。
我想还有第三种选择。您可以添加一个额外的if语句，该语句捕获正确的值，并且不处理这些值。如果这是第一个if语句，并且您的大多数数据都是干净的，那么这可能会节省很多时间。我想我没有想清楚。通常我在这里要做的是有一个“重新编码”数据集，其中一列包含每个唯一值，另一列包含每个唯一值的正确干净值……然后我会按值排序并合并。我不确定您的格式解决方案在这里是如何工作的。我正在尝试将坏值（即字符串）重新分配给清理后的值…因此，我希望6=5（或1或任何正确的值）而不是6=invalid。您必须更详细地说明您的具体问题，但您当然可以建立这样的格式。如果是直接重新编码，您当然可以在一种格式中完全这样做。查看如何使用具有
proc格式的
cntlin
数据集；初始值为
start
，重新编码的值为
标签
。这很好。不需要对大型数据集进行两次排序（一次排序为不干净的值，第二次排序为有用的值）。最后一个问题：您从什么时候开始对大格式产生性能问题？如果我有10000个凌乱的值，可以清除多达1000个正确的值（在100000个观测数据集中），SAS是否会与具有10k选项的格式斗争？（并不是说我会有1000条if语句……只是在这里思考未来）取决于记忆；我认为在标准的2GB内存桌面上，几十万个就可以了，但数百万个可能开始成为一个问题。如果你在一个有大量RAM的服务器上，你是相当安全的。
if value in (
    'A: Correct Value'
    'A: Wrong Value 1'
    'A: Typo 1'
    'a: Typo 2'
    'A: Wrong Value 2'
  ) then value = 'A: Correct Value';
else if value in (
    'B: Correct Value'
    'B: Wrong Value 1'
    'B: Wrong Value 2'
    'B: Typo 1'
  ) then value = 'B: Correct Value';
else if value in (
    'C: Correct Value'
    'C: Wrong Value 1'
    'C: Wrong Value 2'
    'C: Wrong Value 3'
    'C: Typo 1'
  ) then value = 'C: Correct Value';

proc format;
value q01f
1-5  = [F1.0]
other= INVALID;
quit;

data test;
input x;
x_fixed = put(x,q01f.);
if put(x,Q01f.)='INVALID' then ; *take action here;
put x= x_fixed=;
datalines;
1
2
3
6
8
5
4
1
;;;;
run;