如何在SAS数据步中按州和年份汇总40+年龄组人口并保留原数据？

需求说明 #

将40-44、45-49、50-54（注：需求中提及的50-55与示例数据集的50-54匹配，代码中按示例分组处理）年龄组的人口数据，按state（州）和year（年份）汇总，生成gt40_pop（40岁以上人口）变量；要求在SAS数据步中实现，同时保留原始数据集用于后续分析。

示例数据集代码 #

data have;
input state$ year age_grp$ pop;
datalines;
Alabama 2010 40-44 12345
Alabama 2010 45-49 23456
Alabama 2010 50-54 13452
Alabama 2011 40-44 22342
Alabama 2011 45-49 11234
Alabama 2011 50-54 43213
Arizona 2010 40-44 11111
Arizona 2010 45-49 22222
Arizona 2010 50-54 11221
Arizona 2011 40-44 12312
Arizona 2011 45-49 21212
Arizona 2011 50-54 12312
;
run;

数据步解决方案代码 #

/* 保留原始数据集，同时生成汇总数据集 */
data have gt40_summary;
    set have;
    by state year;

    /* 初始化分组累计变量 */
    if first.year then do;
        gt40_pop = 0;
    end;

    /* 仅累加目标年龄组的人口 */
    if age_grp in ('40-44', '45-49', '50-54') then do;
        gt40_pop + pop;
    end;

    /* 分组最后一条观测时输出汇总结果 */
    if last.year then do;
        output gt40_summary;
    end;

    /* 输出原始数据到have数据集（保留所有原始观测） */
    output have;
run;

代码逻辑解释 #

• 多数据集输出：data have gt40_summary; 声明同时输出原始数据集和汇总数据集，确保原始数据完整保留。
• 分组处理：by state year; 按州和年份分组，利用first.year和last.year标识每组的起始与结束观测。
• 累计初始化：每组第一条观测时重置gt40_pop为0，避免跨组累计导致数据错误。
• 目标组累加：仅对指定的三个年龄组人口进行累加，自动忽略其他年龄组数据（若存在）。
• 汇总输出：每组最后一条观测时，将当前组的累计结果输出到汇总数据集gt40_summary。
• 原始数据保留：通过output have;确保所有原始观测都被输出回原数据集，不影响后续分析流程。

验证结果 #

运行代码后，gt40_summary数据集将包含按州和年份汇总的40岁以上人口数据，示例结果如下：

内容的提问来源于stack exchange，提问作者Ryan