基于SAS脚本在R中读取CDC免疫数据.dat文件遇错求助

错误原因 #

zero-length pattern错误源于SAScii包解析SAS输入文件（.sas）时，遇到了不规范的注释格式（比如未闭合的/* */注释、嵌套注释，或者注释写法不符合包的处理逻辑）。

可行解决方案 #

方案1：清理SAS输入文件后重试SAScii #

1. 下载目标.sas文件到本地
2. 用文本编辑器打开，清理所有注释：
   • 删除所有/* */包裹的内容
   • 移除以*开头的注释行
   • 确保无嵌套注释或未闭合的注释块
3. 调用read.SAScii读取本地文件：

   library(SAScii)
   read.SAScii("本地路径/nispuf14.dat", "本地路径/清理后的nispuf14.sas", zipped = FALSE)
   

方案2：用readr手动解析固定宽度数据 #

如果SAScii仍报错，可直接提取SAS文件中的字段定义，用read_fwf读取：

1. 从.sas文件的input语句中提取每个变量的起始位置、结束位置和变量名。例如SAS输入语句通常格式为：

   input VAR1 1-2 VAR2 3-5 VAR3 6-10;

2. 整理成readr可识别的格式并读取：

   library(readr)
   # 根据SAS文件提取的字段信息填写
   col_pos <- fwf_positions(
     start = c(1, 3, 6),
     end = c(2, 5, 10),
     col_names = c("VAR1", "VAR2", "VAR3")
   )
   nis_data <- read_fwf("本地路径/nispuf14.dat", col_pos)
   

3. 导出为易用格式：

   # 导出为CSV
   write_csv(nis_data, "nispuf14_clean.csv")
   # 或高效的Parquet格式（需arrow包）
   library(arrow)
   write_parquet(nis_data, "nispuf14_clean.parquet")
   

方案3：Python pandas替代方案 #

熟悉Python的话，用pandas处理固定宽度文件更稳定：

1. 解析SAS文件获取字段的起始/结束位置和变量名，然后读取：

   import pandas as pd
   # 示例：替换为实际从SAS文件提取的字段信息
   colspecs = [(0, 2), (2, 5), (5, 10)]
   col_names = ["VAR1", "VAR2", "VAR3"]
   nis_data = pd.read_fwf("本地路径/nispuf14.dat", colspecs=colspecs, names=col_names)
   

2. 导出为常用格式：

   nis_data.to_csv("nispuf14_clean.csv", index=False)
   nis_data.to_parquet("nispuf14_clean.parquet")
   

最优格式建议 #

转换后优先保存为Parquet格式，它比CSV占用空间更小、读写速度更快，还能保留数据类型信息，适合长期研究使用。

内容的提问来源于stack exchange，提问作者Nhu Nguyen