数据清理：处理额外的 if 语句与执行额外的分配

Question

编辑：我明白为什么这是错误的做法（而且我忘记了我过去是如何做到的）并接受了乔的回答。如果有人在比较更多 if 语句与执行额外分配方面有任何 cmets 可以在 SAS 中添加性能考虑因素，我仍然会感兴趣。

---

首选哪种方法？

当通过将多个变体/错别字组合成一个正确的值来清理某些数据时， 我可以这样做：

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，都必须通过每个 if 语句来处理它。这不是什么大不了的事，但我觉得“A”组的某些东西仍然会通过所有测试一直运行到“Z”组。

所以，我可以这样写：

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';

这会阻止它评估超过正确的组（并具有允许您在最后添加类似 else value = 'Not Cleaned'; 的额外优势）。

但是，此版本最终会执行与 if value = 'A: Correct Value' then value = 'A: Correct Value'; 等效的操作。这似乎是一种浪费的操作，尽管它可能比继续检查 if 语句更不浪费。

到目前为止我有：

• 选项 A
  • 优点：
    • 短代码
    • 仅重新分配不正确的值（无 if a = 1 then a = 1）
  • 缺点：
    • 当一个值不需要被清理时，它必须通过每个 if 语句继续
    • 不能用 else 子句结束
• 选项 B
  • 优点：
    • 对于干净和不干净的值，评估会在正确的组停止。
    • 可以使用else 子句来捕获所有未清理的值（如果您更新基础数据并希望对新值执行其他操作，这很有帮助）
    • “in”列表包含映射到单个干净值的所有值（如果您以编程方式生成这些值可能会有所帮助）
  • 缺点：
    • 您必须执行if a = 1 then a = 1 操作；
    • 代码稍长，因为您必须写出两次正确的值。

我对此的想法是选项 B 是完成此任务的更好方法。可以访问else 语句并且不必一直发送干净的“A：正确值”到Z 的if 语句似乎比避免if a = 1 then a = 1 构造的任何价值更重要。但我对 SAS 所做的底层活动并不是非常熟悉，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

这些选项都不是特别好的数据清理选项。壁纸编码，即生成大量IF 语句，效率非常低，难以阅读/维护，而且编写缓慢。它还在程序中存储数据，这是不可取的；良好的编程习惯将数据与代码分开，这样如果您的数据发生变化，您只需修改（其他）数据而不是修改您的程序。

单值数据清理（即检查）最好使用格式来完成。如果您愿意，您可以在程序中编写格式，但更好的是在数据集（或 Excel 工作表或数据库表或其他任何内容）中维护它。

一个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”，而其他值被编码为“无效”。您可以使用它来代替您的 IF 语句列表 - 如果它在此之上是合法的，那么您将获得“合法”值。当然你可以放一些想要的东西而不是'INVALID'；如果您希望 99 成为“无效”响应，则将 99 放在那里。

这不仅非常快（比多个 IF 语句或布尔值快）而且易于维护。将这些合法值和格式名称放在一个 excel 文件中。您不仅可以获得易于维护的合法值列表（可由非程序员维护），而且您还可以获得免费的数据字典。