Extraction d’un sous-ensemble de données avec la poc data

Dans ce chapitre, nous verrons comment manipuler un ou plusieurs ensembles de données. Nous allons extraire un sous-ensemble de donné à partir d’une base de données provenant d’une bibliothèque temporaire ou permanente. Enfin, nous verrons comment fusionner deux tables ayant des noms de variables pareils ou différents ainsi que des formats pareils ou différents.

proc format;
    value $HF 'M'='Homme'
                'F'='Femme';
run;
proc print data=assu.cours_3 (firstobs = 1 obs = 5) noobs;
run;

The SAS System

numeropol	type_prof	sexe	nbsin	cout_total
67942	Technicien	Homme	0	.
52484	Ingénieur	Homme	0	.
27817	Ingénieur	Homme	0	.
32986	Technicien	Femme	4	15282.23
45769	Technicien	Homme	0	.

libname assu 'data';
Data assu.cours_3;
    set assu.eq_2;
    cout_total=sum(cout1,cout2, cout3, cout4, cout5, cout6, cout7);
    keep numeropol	type_prof	sexe nbsin cout_total; 
    format sexe HF.;
run;
proc print data=assu.cours_3 (firstobs = 1 obs = 5);
run;

The SAS System

Obs	numeropol	type_prof	sexe	nbsin	cout_total
1	67942	Technicien	Homme	0	.
2	52484	Ingénieur	Homme	0	.
3	27817	Ingénieur	Homme	0	.
4	32986	Technicien	Femme	4	15282.23
5	45769	Technicien	Homme	0	.

D’abord créons le format $HF où nous remplaçons le sexe M par Homme et le sexe F par Femme

Imaginons que nous voulons faire une étude sur les sinistres causés par les conducteurs masculins dans notre base de données. Nous voudrions alors séparer notre base de données en deux, et ce, selon le sexe de l’assuré.

data hommes;
    set assu.cours_3;
    where sexe = 'M';
run;

title "BD des hommes seulement";
proc print data=hommes (firstobs = 1 obs = 5) ;
run;

BD des hommes seulement

Obs	numeropol	type_prof	sexe	nbsin	cout_total
1	67942	Technicien	Homme	0	.
2	52484	Ingénieur	Homme	0	.
3	27817	Ingénieur	Homme	0	.
4	45769	Technicien	Homme	0	.
5	60045	Technicien	Homme	0	.

On voit bien que l’assurée du sexe féminin de la table cours_3 (la quatrième observation) est maintenant absente de la nouvelle table hommes

Remarquez qu’on aurait pu créer deux ensembles de données en un seul bloc de code. Une BD pour les hommes et une autre pour les femmes en utilisant la condition IF

data hommes femmes;
    set assu.cours_3;
        if sexe = 'F' then output femmes;
        else if sexe = 'M' then output hommes;
run;
title 'BD des femmes';
proc print data=femmes (firstobs = 1 obs = 5);
run;
title 'BD des hommes';
proc print data=hommes (firstobs = 1 obs = 5);
run;
title;

BD des femmes

Obs	numeropol	type_prof	sexe	nbsin	cout_total
1	32986	Technicien	Femme	4	15282.23
2	22914	Technicien	Femme	0	.
3	76422	Infirmière	Femme	0	.
4	15847	Technicien	Femme	0	.
5	42487	Technicien	Femme	1	165.98

---

BD des hommes

Obs	numeropol	type_prof	sexe	nbsin	cout_total
1	67942	Technicien	Homme	0	.
2	52484	Ingénieur	Homme	0	.
3	27817	Ingénieur	Homme	0	.
4	45769	Technicien	Homme	0	.
5	60045	Technicien	Homme	0	.

Avez-vous remarqué que nous appliquons un if sur la variable sexe ='M' et non ='Homme'?

Fusion des ensembles de données

Maintenant que nous savons comment scinder une base de données, regardons comment nous pouvons les fusionner (ou les joindre).

data homme_femmes;
    set hommes femmes;
run;

title 'ensembles fusionnés, apperçu du début';
proc print data=homme_femmes (firstobs = 1 obs = 5);
run;
title 'ensembles fusionnés, apperçu de la fin de la bd';
proc print data=homme_femmes (firstobs = 28308 obs = 28313);
run;
title;

ensembles fusionnés, apperçu du début

Obs	numeropol	type_prof	sexe	nbsin	cout_total
1	67942	Technicien	Homme	0	.
2	52484	Ingénieur	Homme	0	.
3	27817	Ingénieur	Homme	0	.
4	45769	Technicien	Homme	0	.
5	60045	Technicien	Homme	0	.

---

ensembles fusionnés, apperçu de la fin de la bd

Obs	numeropol	type_prof	sexe	nbsin	cout_total
28308	52	Technicien	Femme	0	.
28309	89	Informaticien	Femme	3	33914.83
28310	90	Technicien	Femme	0	.
28311	1166	Technicien	Femme	0	.
28312	4530	Technicien	Femme	1	38.48
28313	9130	Technicien	Femme	0	.

Imaginons maintenant que la variable numeropol de notre table des femmes_2 est plutôt nommée idPolice tel qu’illustré ci-dessous.

proc print data=assu.femmes_2 (firstobs = 1 obs = 5);
run;

Obs	idPolice	type_prof	sexe	nbsin	cout_total
1	32986	Technicien	Femme	4	15282.23
2	22914	Technicien	Femme	0	.
3	76422	Infirmière	Femme	0	.
4	15847	Technicien	Femme	0	.
5	42487	Technicien	Femme	1	165.98

Et nous voulons fusionner la table d’hommes avec celle des femmes_2 afin d’avoir qu’une seule table. Nous avons deux choix,

1. Renommer la variable numeropol par idPolice dans la table des hommes.

2. ou renommer la variable idPolice par numeropol dans la table des femmes_2

En utilisant merge qui nécessite de faire un tri d’abord.

/* on applique d'abord le sort */
proc sort data=hommes;
    by numeropol;
run;

proc sort data=assu.femmes_2;
    by idPolice;
run;

/* Ensuite on fusionne */

data merge_hommes_et_femmmes_2;
    merge hommes
    assu.femmes_2(rename=(idPolice = numeropol));
    by numeropol;
run;

/* Enfin un apperçu dy résultat */
proc print data=merge_hommes_et_femmmes_2 (firstobs = 1 obs = 5);
run;
proc print data=merge_hommes_et_femmmes_2 (firstobs = 28161 obs = 28166);
run;

Obs	numeropol	type_prof	sexe	nbsin	cout_total
1	46	Technicien	Homme	1	856.248
2	46	Technicien	Homme	0	.
3	52	Technicien	Femme	0	.
4	52	Technicien	Femme	0	.
5	63	Technicien	Homme	0	.

---

Obs	numeropol	type_prof	sexe	nbsin	cout_total
28161	88997	Infirmière	Femme	0	.
28162	88998	Technicien	Femme	0	.
28163	89003	Technicien	Femme	0	.
28164	89011	Infirmière	Homme	0	.
28165	89028	Infirmière	Homme	0	.
28166	89033	Technicien	Femme	0	.

Il arrive des fois que les noms de variable sont les mêmes, mais que le format de ces dernières est différent d’une table à une autre qu’on veuille fusionner. Regardons un exemple pour mieux comprendre.

Soit la petite table NAS_1 qui contient des numéros d’assurance sociale au format 123456789

data NAS_1;
    input SS: 9.
        DOB:  MMDDYY10. 
        Gender : $1.;
    FORMAT DOB  MMDDYY10.;
    DATALINES;
    332211009 11/14/1993 M
    123456789 05/17/1983 F
    987789321 04/01/1991 F
    ;
proc print data=NAS_1;
run; 

Obs	SS	DOB	Gender
1	332211009	11/14/1993	M
2	123456789	05/17/1983	F
3	987789321	04/01/1991	F

soit la table NAS_2 qui contient d’autres informations sur les individus de la table NAS_1 mais que cette fois, le format de la variable SS est 123-45-6789

data NAS_2;
    input SS: $11.
        JobCode:  $13. 
        Salary : 9.;
    DATALINES;
    332-21-1009 A10 45123
    123-45-6789 B5 35400
    987-78-9321 A20 87900
    ;    

proc print data=NAS_2 noobs;
run;

SS	JobCode	Salary
332-21-1009	A10	45123
123-45-6789	B5	35400
987-78-9321	A20	87900

Nous créons une nouvelle table appelée NAS_1B qui est une réplique de la table NAS_1 dans laquelle nous changeons le format de la variable SS sous le même format que la table NAS_2

data NAS_1B;
    set NAS_1(rename=(SS = NumSS));
    SS = put(NumSS,ssn11.); /*ssn c'est un formt de NAS*/
    drop NumSS;
run;
/* on applique d'abord le sort */
proc sort data=NAS_1B;
    by SS;
run;

proc sort data=NAS_2;
    by SS;
run;

/* Ensuite on fusionne */
data les_deux_NAS;
    merge NAS_1B NAS_2;
    by SS;
run;
title 'NAS_1';
proc print data=NAS_1 noobs;
run;
title 'NAS_1B';
proc print data=NAS_1B noobs;
run;
title 'NAS_2';
proc print data=NAS_2 noobs;
run;
title 'les_deux_NAS';
proc print data=les_deux_NAS noobs;
run;
title;

NAS_1

SS	DOB	Gender
332211009	11/14/1993	M
123456789	05/17/1983	F
987789321	04/01/1991	F

---

NAS_1B

DOB	Gender	SS
05/17/1983	F	123-45-6789
11/14/1993	M	332-21-1009
04/01/1991	F	987-78-9321

---

NAS_2

SS	JobCode	Salary
123-45-6789	B5	35400
332-21-1009	A10	45123
987-78-9321	A20	87900

---

les_deux_NAS

DOB	Gender	SS	JobCode	Salary
05/17/1983	F	123-45-6789	B5	35400
11/14/1993	M	332-21-1009	A10	45123
04/01/1991	F	987-78-9321	A20	87900

Dans le prochain cours, nous verrons qu’il est beaucoup plus simple d’appliquer ces concepts en utilisant la procédure PROC sql qui ne nécessite pas de tri préalable comme la fonction merge que nous venons de voir.

Données manquantes

Lorsqu’une valeur de donnée est inconnue, alors nous avons une donnée manquante. Une donnée manquante est une donnée valide, elle est affichée par un espace (vide) dans une variable (colonne) de type caractère, et par un point lorsqu’il s’agit d’une variable (colonne) numérique.

Nommer des variables dans SAS

SAS possède une convention afin de donner des noms de variables. Nous pouvons nommer nos variables avec une combinaison de 1 à 32 caractères, numériques, underscore ou une combinaison de ces trois derniers. Les lettres peuvent être en minuscule ou majuscule.