美好的一天,
我希望将两个日期合并到下一个最接近的日期。
数据集从500Mb到1G是巨大的,所以proc sql
是不可能的。
我有两个数据集。第一个(舰队)有观测值,第二个有日期以及用于进一步处理的代号。喜欢这个:
data Fleet
CreatedPortalDate
2013/2/19
2013/8/22
2013/8/25
2013/10/01
2013/10/07
data gennum_list
date
01/12/2014
08/12/2014
15/12/2014
22/12/2014
29/12/2014
...
我想要的是这样的链接表:
data link_table
CreatedPortalDate date
14-12-03 01/12/2014
14-12-06 01/12/2014
14-12-09 08/12/2014
14-12-11 08/12/2014
14-12-14 08/12/2014
用逻辑
Date < CreatedPortalDate and (CreatedPortalDate - date) = min(CreatedPortalDate - date)
我想出的有点笨拙,我正在寻找一种有效/更好的方法来实现这一目标。
data all_comb;
set devFleet(keep=createdportaldate);
do i=1 to n;
set gennum_list(keep=date) point=i nobs=n;
if createdportaldate > date
and createdportaldate - 15 < date then do;/*Assumption, the generations are created weekly.*/
distance= createdportaldate - date;
output;
end;
end;
run;
proc sort data=all_comb; by createdportaldate distance; run;
data link_table;
set _all_comb(drop=distance);
by createdportaldate;
if first.createdportaldate;
run;
- 任何想法如何改进或解决这个问题?
- 无知的想法:我可以创建存储
distance
的哈希表吗? - 也许是阵列?不知何故。
编辑:
- 通用格式
- 做
- 十亿行从何而来?
- 是的,还涉及其他数据,但日期是唯一的链接变量。
- 排序?
- 是的,数据已排序,可以再次排序。
- 世代日期总是相隔七天吗?
- 不。这是棘手的部分。 否则,我可以使用
week
和year
(或其他分箱)作为唯一标识符。
- 不。这是棘手的部分。 否则,我可以使用
巨大是一个相对术语,今天的巨大是明天的斑点。
关键数据特征表明直接寻址查找方案是可能的
- 日期值为整数。
- 日期值范围有限。
- 日期值或接下来 14 天中的任何一天将用作查找验证程序
- 键是一个日期值,可用作数组索引。
加载一次Gennum查找,如下所示
array gennum_of ( %sysfunc(today()) ) _temporary_;
if last_date then
do index = last_date to date-1;
gennum_of(index) = prev_date;
end;
last_date = date;
并获取一个Gennum作为
if portaldate > last_date
then portal_gennum = last_date;
else portal_gennum = gennum_of ( portaldate );
如果由于按帐户 ID 分组而有很多行,则必须清除并加载每个组的 gennum 数组。
sasby
语句的典型应用。
data
步骤中的by
语句旨在读取两个或多个数据集,按公共变量排序。
公共变量是日期,但在两个数据集上的名称不同。在sql
中,您可以通过要求一个变量与另一个变量相等来解决这个问题Fleet.CreatedPortalDate = gennum_list.date
,但是by
语句不允许这样的构造,因此我们必须在读取数据集时重命名(至少)其中一个变量。这就是我们在rename
条款中所做的gennum_list
data all_comb;
merge gennum_list (in = in_gennum rename = (date = CreatedPortalDate))
Fleet (in = in_fleet);
by CreatedPortalDate;
我选择将by
语句与merge
语句组合在一起,尽管set
也可以完成这项工作,但是两个输入数据集的顺序会有所不同。
另请注意,我请求 sas 创建指示变量in_gennum
和in_fleet
,以指示值存在于哪个输入数据集中。知道这种类型的变量 id 未写入结果数据集很方便。
但是,我们必须从CreatedPortalDate
中恢复date
,当然
if in_gennum then date = CreatedPortalDate;
如果您不熟悉 sas,您会惊讶于上述语句不起作用,除非您明确指示 sas 将日期值从一个观察值retain
到嵌套。(观察是行的行话。
retain date;
在这里,我们为从Fleet
数据集读取的每个观察值写出一个观察结果。
if in_fleet then output;
run;
这种方法的优点是
- 您需要更少的逻辑来正确组合来自两个输入数据集的观测值(这就是发明
data
步骤的目的) - 您永远不必在内存中保留值数组,因此不会有溢出问题
- 这种解决方案在数据集的大小(除了排序)中是 1 阶 (O1),因此我们预先知道,数据量加倍只会使时间加倍。
免责声明:此答案正在构建中。
它将在本周晚些时候进行测试