如何基于两个变量生成序号列？SAS数据集处理问询

问题描述 #

现有SAS数据集df，数据如下：

data df;
input Country $ Year;
datalines;
USA 2019
USA 2019
USA 2020
Canada 2019
Canada 2020
Canada 2020
;
run;

需要基于Country和Year两个变量分组生成序号列series，让每个Country+Year组合内的行按顺序生成1、2……的序号，最终输出结果如下：

Country   Year   series
-------   ----   ------
USA       2019   1
USA       2019   2
USA       2020   1
Canada    2019   1
Canada    2020   1
Canada    2020   2

解决方案 #

方法1：DATA步结合BY组处理

SAS的BY组能识别分组变量的变化，搭配计数器变量即可实现分组序号生成，注意使用BY组前要先按分组变量排序：

/* 先按Country和Year排序 */
proc sort data=df;
    by Country Year;
run;

/* 生成分组序号 */
data df_with_series;
    set df;
    by Country Year;
    /* 每次分组（Country或Year变化）时重置计数器为1 */
    if first.Year then series = 1;
    else series + 1;
run;

• first.Year是SAS自动生成的BY组变量，当Year（或前置的Country）发生变化时，该变量值为1，否则为0；
• series + 1是SAS累加语句，等价于series = series + 1，初始值默认为0，第一次触发if first.Year时会被设为1。

方法2：PROC SQL结合窗口函数

用ROW_NUMBER()窗口函数可以更简洁实现，无需提前排序：

proc sql;
    create table df_with_series as
    select 
        Country,
        Year,
        row_number() over(partition by Country, Year order by Country, Year) as series
    from df;
quit;

• partition by Country, Year指定按这两个变量分组；
• order by Country, Year保证每组内的行顺序和原数据集一致（有其他排序需求可修改此处）；
• row_number()会为每个分组内的行生成连续序号。

内容的提问来源于stack exchange，提问作者An116