SAS中DO循环内SET语句的运行逻辑与结果差异问题

测试基础代码 #

首先创建测试数据集a1的代码：

/* Create data a1 */
data a1 ; 
input fruit $ ; 
cards ; 
melon
apple
orange 
;
run ;

proc print data=a1 ; 
title "Results of a1" ; 
run;

生成c1的原始代码：

/* Create data c1 using a1 */
data c1 ;
do i = 1 to 3 ; 
    set a1 ; 
    count + 1 ;
    N_VAR = _N_ ; 
    ERR_VAR = _ERROR_ ;
    output ; 
end;
run ;

proc print data=c1 LABEL ; 
LABEL N_VAR = "_N_" ; 
LABEL ERR_VAR = "_ERROR_" ; 
title "Results of c1" ; 
run ; 

实际运行结果：

预期结果的对应代码：

/* 预期c1结果 */
data my_expectation ; 
input i fruit $ count N  ERROR ;
cards ; 
1 melon 1 1 0
1 apple 2 2 0
1 orange 3 3 0
2 melon 4 1 0
2 apple 5 2 0
2 orange 6 3 0
3 melon 7 1 0 
3 apple 8 2 0
3 orange 9 3 0
;
run; 

proc print data=my_expectation label ;
LABEL N = "_N_" ; 
LABEL ERROR = "_ERROR_" ; 
title "The result that I expected for c1" ; 
run ;  

核心认知偏差：你没掌握的3个SAS数据步规则 #

结果和预期不符，本质是对SAS数据步、SET语句的运行逻辑有三个关键误解：

• SET语句的读指针不会自动重置：不带POINT=选项的SET语句，在整个数据步运行周期内维护一个全局顺序读指针，每执行一次SET，指针向后移动一位读入下一行观测；指针移动到输入数据集末尾之后，下一次执行SET会直接触发整个数据步终止，不会继续执行后续代码。你误以为每次进入DO循环执行SET，都会从a1的第一行重新读取，这个认知是完全错误的。
• _N_变量的计数逻辑和输入/输出行数无关：_N_统计的是整个数据步的迭代次数，也就是从DATA语句开头到RUN语句的代码块完整执行的次数，从1开始逐次累加。DO循环是数据步内部的子循环，不会触发_N_的增长，_N_也不会因为换了读入的数据集、读入新观测就重置。
• 数据步不会自动在内部循环边界重置变量：除了SET语句读入的变量会在新观测读入时覆盖旧值，累加语句（比如count+1）、手动赋值的变量都会在整个数据步运行周期内保留值，不会自动重置。

原始代码的实际运行流程 #

按照SAS的真实运行逻辑，你写的c1生成代码只会输出3条观测，流程如下：

1. 数据步启动，第一次迭代开始，此时_N_=1，count初始值为0，a1的读指针指向数据集开头
2. 进入do i=1 to 3循环：
   • i=1：第一次执行set a1，读指针移动到a1第1行，读入fruit=melon；count累加为1；N_VAR赋值为当前_N_值1；ERR_VAR为0；执行output输出第一行观测
   • i=2：第二次执行set a1，读指针移动到a1第2行，读入fruit=apple；count累加为2；N_VAR还是1；输出第二行观测
   • i=3：第三次执行set a1，读指针移动到a1第3行，读入fruit=orange；count累加为3；N_VAR还是1；输出第三行观测
3. i=1到3的DO循环执行完毕，回到数据步开头准备第二次迭代，此时_N_累加到2
4. 第二次迭代启动，再次进入do i=1 to 3循环，i=1时执行set a1，此时读指针已经在a1数据集末尾，读不到任何观测，直接触发数据步终止，后续代码全部不执行
   最终c1数据集就只有3条观测，和你截图的结果完全一致。

如何得到你预期的9行结果 #

要实现你预期的“i从1到3，每次i循环都完整读入a1的3行观测”的效果，必须用POINT=选项手动指定SET语句读取的行号，强制绕开顺序读指针的限制，代码如下：

data c1_expect ;
do i = 1 to 3 ; 
    do p = 1 to nobs; /* p指定要读取的a1行号 */
        set a1 point=p nobs=nobs; /* nobs选项会自动读取a1总观测数 */
        count + 1 ;
        /* 你预期的N是a1内部的行号，不是SAS自带的_N_，直接用p赋值即可 */
        N_VAR = p ; 
        ERR_VAR = _ERROR_ ;
        output ; 
    end;
end;
stop; /* 用POINT=读入数据不会自动触发数据步终止，必须手动加STOP防止死循环 */
run ;

注意：你预期中每次读a1观测时N值从1到3循环，本质是要取a1的内部行号，这个值和SAS自带的_N_没有任何关系，直接用POINT选项的行号变量赋值即可。 #

内容的提问来源于stack exchange，提问作者Seo Gitae