Question

我有一个数据集，其格式类似于以下内容：

| Symbol | Date     | Time | BB | BO | MIDPRICE |
|--------|----------|------|----|----|----------|
| AAPL   | 20130102 | 1    | 2  | 3  | 2.5      |
| AAPL   | 20130102 | 2    | 2  | 3  | 2.5      |
| AAPL   | 20130102 | 3    | 1  | 3  | 1.5      |
| ...    |          |      |    |    |          |
| AAPL   | 20130102 | 100  | 3  | 4  |  3.5     |
| FB     | 20130102 | 1    | 3  | 6  | 4.5      |
| FB     | 20130102 | 2    | 3  | 6  | 4.5      |
| FB     | 20130102 | 3    | 3  | 5  | 4        |
| ...    |          |      |    |    |          |
| FB     | 20130102 | 100  | 3  | 4  |  3.5     |

我正在尝试计算每个组中的观察数量。

例如，如果数据集按符号排序，我想知道AAPL，FB等分别有多少观察结果。在上述情况下，AAPL有四个观察值，FB有四个观察值。

我希望稍后将结果导出到数据集和csv文件（我了解如何导出到csv文件，因此它不是此问题的一部分）。

我一直在网上阅读资料。似乎一般有两种方式。在这个document中，作者说nobs可能不准确，特别是如果您修改了原始数据集。不幸的是，对我来说就是这种情况。我使用以下代码删除了一些观察结果：

  data STOCK;
    SET RAWDATA; by SYMBOL;
    /* Delete those with only one observation */
    if MIDPRICE < 3 then delete;
  run;

因此，根据这个stackoverflow post，剩下的唯一选择是sql语句。但是，帖子中使用的SQL语句只计算观察总数，而不是按组计算每个观察值。

我还想过通过递增变量来计算。但似乎这是一个非常糟糕的选择表现明智。

因此，我想知道是否有任何高性能，同时防错的方式呢？

我正在操作的数据集非常大。每个数据集通常为30太字节+，我有数以千计来运行我的代码。

谢谢！

Answer 1

我会使用proc sql：

proc sql;
    create table newtable as
        select symbol, count(*) as cnt
        from stock
        group by symbol;
quit;

Answer 2

我最后使用了以下代码：

data quotescount;
    set quotes_processed; by Symbol;
    if first.Symbol then count=0;
    count+1;
    if last.Symbol then output;
run;

这似乎是最可靠的方法，因为SQL查询可能会返回wrong results。

删除一些数据后，SAS会计算逐个组内的观察数

2 个答案: