Question

编辑：我明白为什么这是错误的解决方法（我忘记了过去是怎么做过的）并接受了Joe的回答。如果有人对SAS中的性能考虑因素进行了更多if语句与执行额外分配的比较，我仍然会感兴趣。

首选哪种方法？

通过将多个变体/拼写错误组合到一个正确的值中来清理某些数据时，我能做到这一点：

选项A：

if value in (
    'A: Wrong Value 1'
    'A: Typo 1'
    'a: Typo 2'
    'A: Wrong Value 2'
  ) then value = 'A: Correct Value';
else if value in (
    'B: Wrong Value 1'
    'B: Wrong Value 2'
    'B: Typo 1'
  ) then value = 'B: Correct Value';
else if value in (
    'C: Wrong Value 1'
    'C: Wrong Value 2'
    'C: Wrong Value 3'
    'C: Typo 1'
  ) then value = 'C: Correct Value';
**etc.  Assume there are a bunch of similar statements;
**with any number of items on the "in" list;

我在这些操作中看到的问题是，每次遇到“A：正确值”时，您都必须通过每个if语句处理它。这不是什么大不了的事，但是我感到不对的是，“A”组的某些东西仍然会通过所有测试运行到“Z”组。

相反，我可以写下来：

选项B

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';

这可以阻止它评估过去正确的组（并且还有一个额外的好处，即允许你在最后添加else value = 'Not Cleaned';之类的东西）。

但是，此版本最终会相当于if value = 'A: Correct Value' then value = 'A: Correct Value';。这似乎是一种浪费的操作，尽管它可能比继续检查if语句更少浪费。

到目前为止，我有：

选项A
- 优点：
  - 更短的代码
  - 仅重新分配不正确的值（无if a = 1 then a = 1）
- 缺点：
  - 如果不需要清除某个值，则必须继续执行每个if语句
  - 无法使用else子句
选项B
- 优点：
  - 对于干净和不干净的值，评估在右侧组停止。
  - 可以使用else子句来捕获所有未清除的值（如果您更新基础数据并希望对新值执行其他操作，则会很有帮助）
  - “in”列表包含映射到单个clean值的所有值（如果以编程方式生成这些值，可能会有帮助）
- 缺点：
  - 您必须执行if a = 1 then a = 1操作;
  - 稍微长一点的代码，因为你必须写出两次正确的值。

我对此的想法是选项B是实现这一目标的更好方法。有权访问else语句并且不必向Z发送一个干净的“A：正确值”一直到Z语句的if语句似乎超过了避免if a = 1 then a = 1构造的任何值。但是我并不十分熟悉SAS所做的基础活动，因此重新分配操作可能比检查一些额外的if语句更耗时。

Answer 1

这些选项都不是数据清理的特别好的选择。壁纸编码，即生成大量IF语句，效率极低，难以阅读/维护，写入速度慢。它还将数据存储在程序中，这是不合需要的;良好的编程习惯将数据与代码分开，这样，如果数据发生变化，您只需修改（其他）数据而不是修改程序。

单值数据清理（即检查）最好使用格式。如果您愿意，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工作表或数据库表或其他任何内容）中保留该格式。

一种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;

在那里，值1到5是“合法的”，其他值被编码为“无效”。你可以使用它来代替你的IF语句列表 - 如果它是合法的，你可以获得'合法'值。当然你可以把所需的东西放在'INVALID'上;如果你想让99成为'无效'的答案，那就把99放在那里。

这不仅非常快（比多个IF语句或布尔值更快），但它易于维护。将这些合法值和格式名称放在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），而且您可以免费获得数据字典。

数据清理：处理额外的if语句与执行额外的分配

选项A：

选项B

1 个答案: