如何快速从超大型SAS数据集抽取测试用随机样本？

你当前用proc surveyselect的方式会扫描整个1360亿行的数据集，这必然耗时极长。既然测试用样本不需要统计代表性，完全可以用更轻量的方法，以下是几种高效的实现：

1. 直接提取前10000条观测（最快） #

利用SAS数据集选项obs=，让SAS读取到指定行数后立刻停止，无需处理剩余数据，速度是最快的：

libname input "/some_linux_path/";

data random_sample;
    set input.large_data (obs=10000);
run;

2. 抽取随机行（比前一种稍慢，但更随机） #

如果不想只用前10000行，想要一定随机性（仍不保证统计代表性），可以通过随机行号直接定位读取，避免扫描全量数据：

libname input "/some_linux_path/";

data random_sample;
    call streaminit(123); /* 设置随机种子，可选，保证结果可重复 */
    do i = 1 to 10000;
        /* 生成1到总行数之间的随机行号 */
        point = ceil(rand('uniform') * n);
        /* 直接定位到目标行读取 */
        set input.large_data nobs = n point = point;
        output;
    end;
    stop; /* 循环结束后停止数据步 */
run;

注意：如果数据集是压缩格式或存在索引，nobs可能无法准确获取总行数，但对于测试场景影响极小。

3. 用PROC SQL限制输出行数 #

效果和第一种方法一致，语法更偏向SQL风格：

libname input "/some_linux_path/";

proc sql outobs=10000;
    create table random_sample as
    select * from input.large_data;
quit;

总结 #

如果只是为了代码测试，第一种方法是最优选择——实现最简单，速度最快，完全满足测试需求。

内容的提问来源于stack exchange，提问作者Chuck