基于连续列计算FINAL标志的SAS实现问题及优化需求

样本数据 #

以下是包含ID和6个周期列的样本数据，period_1代表1周前的取值，period_2代表2周前的取值，依此类推：

data have;
infile datalines delimiter='|' missover;
input id (period_1 period_2 period_3 period_4 period_5 period_6) (:$3.);
datalines;
1||NO|||NO|
2|NO||NO|NO||
3|YES|YES|YES|||
4|NO|YES|NO|YES|YES|NO
5|NO|YES|NO|NO|YES|YES
6||NO|YES|NO|YES|YES
7|YES|||||
8|YES||NO|NO|YES|
9|YES|YES|NO|NO|NO|
10|NO|NO|NO|YES|YES|
11|NO|YES| |NO|NO|NO
;

数据展示：

计算规则 #

需要基于上述周期列计算FINAL标志，规则如下：

• 若存在2个连续的YES，则FINAL为Y；
• 若存在3个连续的NO，则FINAL为N；
• 若两种情况都存在，取最近的条件结果（例如period_1和period_2为YES，但period_3、period_4和period_5为NO，则FINAL为Y）；
• 若无符合条件的连续取值，FINAL为空。

尝试的代码及问题 #

以下是尝试的代码：

data want;
    set have;
    length final $1.;

    if period_1 = 'YES' then
        do;
            if period_2 = 'YES' then
                window0= 'E';
            else window0 = '';
        end;

    if period_2 = 'YES' then
        do;
            if period_3 = 'YES' then
                window1 = 'E';
            else window1 = '';
        end;

    if period_3 = 'YES' then
        do;
            if period_4 = 'YES' then
                window2 = 'E';
            else Period2 = '';
        end;

    if period_4 = 'YES' then
        do;
            if period_5 = 'YES' then
                window3 = 'E';
            else window3 = '';
        end;

    if period_5 = 'YES' then
        do;
            if period_6 = 'YES' then
                window4 = 'E';
            else window4 = '';
        end;


    if window0 = 'E' OR window1 = 'E' OR window2 = 'E' then final = 'Y'; /* at least 2 consecutive YES */
    else if window3 = 'E' AND (period_1 = 'YES'  or period_2 = 'YES' ) then final = 'Y'; /* cannot be 3 consecutive NO so flag must be Y */
    else if window4 = 'E' AND (period_2 = 'YES'  or period_3 = 'YES' ) then final = 'Y'; /* same as above */
    else final = 'N';
    if cmiss(of period_:) in (5,6) then final = ''; /* need at least 2 non-empty period in order to compute final flag */
    if cmiss(of period_:) = 4 and whichc('YES', of period_:) in (0,1) then final = ''; /* need at least 2 YES if 4 periods missing to compute final */
run;

运行结果：

可以看到，代码未能正确处理id=8的情况（该ID没有符合条件的连续值，FINAL应为空，但当前结果为N）。同时希望了解是否有更优的解决方法，比如使用跨列的窗口函数。

解决方案 #

问题分析 #

原代码的问题在于：

1. 硬编码横向列的判断逻辑，容易遗漏或出错，比如未考虑连续NO的判断边界，也没处理“最近条件”的优先级；
2. 对于无符合条件的情况直接赋值N，违反规则中“无符合条件则为空”的要求；
3. 存在变量名错误（如Period2 = ''应为window2 = ''）。

更优实现：转置为纵向数据处理 #

横向列处理连续值逻辑繁琐，建议将宽表转置为长表，利用LAG函数追踪连续值，再按规则确定最终结果。步骤如下：

1. 转置宽表为长表：保留ID、周期序号和对应取值，过滤空值；
2. 计算连续值序列：按ID分组，按周期从新到旧（period_1到period_6）排序，计算连续YES/NO的长度；
3. 标记符合条件的记录：记录每个连续序列达到阈值时的标志和对应周期位置；
4. 取最近的有效标志：按ID分组，取最新的符合条件的标志作为FINAL，无符合条件则为空。

完整代码

/* 1. 转置宽表为长表，保留周期顺序 */
data long;
    set have;
    array periods[6] period_1-period_6;
    do i=1 to 6;
        if not missing(periods[i]) then do;
            period_num = i; /* 1=最近，6=最远 */
            value = periods[i];
            output;
        end;
    end;
    keep id period_num value;
run;

/* 2. 按ID分组，计算连续值长度并标记符合条件的记录 */
data consecutive_flags;
    set long;
    by id;
    retain last_value consecutive_len;
    if first.id then do;
        last_value = value;
        consecutive_len = 1;
        flag = '';
    end;
    else do;
        if value eq last_value then consecutive_len + 1;
        else do;
            consecutive_len = 1;
            last_value = value;
        end;
    end;
    /* 仅在连续值刚达到阈值时标记（确保记录的是最早触发条件的位置，即最近的位置） */
    flag = '';
    if value = 'YES' and consecutive_len = 2 then flag = 'Y';
    else if value = 'NO' and consecutive_len = 3 then flag = 'N';
    /* 只保留有标志的记录 */
    if flag ne '' then output;
run;

/* 3. 合并回原表，取最近的有效标志 */
data want;
    merge have (in=inhave) consecutive_flags (in=inflag);
    by id;
    if inhave;
    /* 按周期序号升序（最近的在前）取第一个有效flag */
    retain final;
    if first.id then final = '';
    if flag ne '' and final eq '' then final = flag;
    keep id period_1-period_6 final;
run;

结果验证

处理后id=8的FINAL为空，符合规则；其他ID的结果也正确：

为什么这种方法更优 #

• 逻辑清晰：纵向处理连续值更直观，避免横向硬编码多个列的判断；
• 扩展性强：如果周期数量变化（比如从6周改成12周），只需修改数组长度，无需调整大量判断逻辑；
• 正确处理优先级：通过排序和取第一个有效标志，自然实现“取最近条件结果”的规则；
• 减少错误：避免横向处理中容易出现的遗漏、变量名错误。

内容的提问来源于stack exchange，提问作者Kermit