找到你需要的数据

在上一篇《提出你的研究问题》中，我们选定 NESARC 数据集，想研究的问题是尼古丁依赖。我们想知道尼古丁依赖是否和吸烟有关？也想知道，要吸多少烟才会产生尼古丁依赖？

如之前所说，需要查看我们的 Codebook 中有多少变量是和我们的研究相关的。观察Codebook 后，跟我们的问题相关的变量有：过去12个月是否香烟依赖（TAB12MDX），过去12个月是否吸烟（CHECK321），平时的吸烟频率（S3AQ3B1），平时的吸烟数量（S3AQ3C1）等等。我们现在想做的是：把这些变量筛选出来，进行分析，看看吸烟频次和数量，是否和尼古丁依赖正相关。

听起来很简单，但是在这之前，我们还要做一些筛选工作，比如要在数据中筛选出过去年龄为18-25岁的，过去12个月内有吸烟的人做研究。

为什么要筛选呢？可以理解成，因为数据覆盖的范围越大，有可能对结果产生干扰因素的变量就越多，如果我们为了找到两个因素是否彼此是相关的，最理想的情况是整个样本的其他参数都是一样的，只有这两个因素有变化，当然，这在现实中是不可能的。所以我们只能尽量的去控制样本的一致性，年龄可能是一个影响因素，我们就只选定18-25的年轻人，而过去吸烟现在不吸烟这样的数据也许对我们有干扰，所以我们把他们去除掉。

这就是我们将要学习的第一段 SAS 程序代码！

LIBNAME mydata "/courses/d1406ae5ba27fe300 " access=readonly;

DATA new; set mydata.nesarc_pds;

LABEL TAB12MDX="Tobacco Dependence Past 12 Months"            CHECK321="Smoked Cigarettes in Past 12 Months"            S3AQ3B1="Usual Smoking Frequency"     
    S3AQ3C1="Usual Smoking Quantity";
    
/*subsetting the data to include only past 12 month smokers, age 18-25*/
    IF CHECK321=1;
    IF AGE LE 25;
PROC SORT; by IDNUM;
PROC FREQ; TABLES TAB12MDX CHECK321 S3AQ3B1 S3AQ3C1 AGE;
RUN;

它的功能是：

1. 建立一个叫做 mydata 的逻辑库；
2. 读取 nesarc_pds 的数据；
3. 将不同的数据分别加上标签；
4. 筛选数据；
5. 将数据按照 IDNUM 排序，并保存到新的数据集；
6. 查看其中几个变量的频数；

我来一个一个解释下：

1. 建立一个叫做 mydata 的逻辑库；

LIBNAME mydata "/courses/d1406ae5ba27fe300 " access=readonly; 

Libname 指“Library Name”，可以告诉 SAS 去哪里找数据，mydata就是 library 的名称，引号内的则是数据文件所保存的路径，access=readonly'Libname 的一个设置，设置成只读后我们的操作就不会对数据本身造成影响，结尾的分号，是 SAS 语句的结尾，每一句 SAS 语句都需要用分号结束。

SAS 会建立一个 Library，并命名为 mydata，这个逻辑库在硬盘中的保存位置是“/courses/d1406ae5ba27fe300 ”，可以通过 mydata.数据集名来指定具体的数据集。

2. 读取 nesarc_pds 的数据；

DATA new; set mydata.nesarc_pds;

DATA在 SAS 中是很常用的功能，也叫做 Data Step，可以用来处理数据；

new是新的数据集的名称；

SET在 Data Step 中，可以告诉 SAS 我们需要分析的数据集的名称，并在运行时加载这个数据集；

开启一个 DataStep，同时指定新的数据集名称为 New，保存在默认的 work libraray。

读取mydata.narc_pds 这个数据集；

3. 将不同的数据分别加上标签；

LABEL TAB12MDX="Tobacco Dependence Past 12 Months"            CHECK321="Smoked Cigarettes in Past 12 Months"
     S3AQ3B1="Usual Smoking Frequency"     
     S3AQ3C1="Usual Smoking Quantity";

Label 命令在 Data Step 中可以为变量设置不同的标签；

SAS 的数据集中， 每个变量可以保存它的 Name、Type（数字或文本）、Length、Label、Format（格式）、Informat 六个属性信息；

因为原始的变量名字，很难记住具体的所反应的意义，所以，通过修改标签的方式，让我们在观察报告的时候，更清楚的知道每个变量所指代的数据是什么一意义。

4. 筛选数据；

    IF CHECK321=1;
    IF AGE LE 25;

通过 IF条件，来筛选出合适的数据集；这里可以使用 Where;

5. 将数据按照 IDNUM 排序，并保存到新的数据集；

PROC SORT; by IDNUM;

Proc Step 是 SAS 的两种程序处理方式的之一，一种是上面提到的 Data Step，用来处理数据集，另一种这是这样的 Proc Step，用来对数据进行分析和报告；

Proc Sort 的功能是给数据集排序，如果是单独使用的话，代码是：

Proc Sort Data=work.new；by IDNUM；run；

这里因为写在了 Data Step 里，因此省略了 制定 Data 的选项，同时在最后有不用写 run；

6. 查看其中几个变量的频数；

PROC FREQ; TABLES TAB12MDX CHECK321 S3AQ3B1 S3AQ3C1 AGE;
RUN;

Proc Freq 可以用来查看变量的频数分布，使用方法是，在具体想要查看的变量之前加上 Tables 就可以啦；

部分结果：

可以看到Proc Freq 显示了 Label："Tobacco Dependence Past 12 Months"，并记录了 TAB12MDX 这个变量，即"过去12个月是否有尼古丁依赖"（0或1代表有或没有）两个值的频率分布，以及累积频率。

仅仅从这个表中，我们能判断的信息还是非常有限的，因为数据可能还需要进一步处理，比如，有些变量不止有0和1，那是怎么回事？

---

相关文章：

学习数据分析却没有合适的数据集？
提出你的研究问题
安装 SAS Studio

参考资料：

数据管理与可视化 - 卫斯连大学