SAS数组报错：无效数值数据，求字符串数组去重最优实现

一、报错原因：误用IN运算符 #

你遇到的Invalid numeric data, PROS_SCRN_ID='MED'错误，核心原因不是数组初始化问题，而是对SAS IN运算符的用法误解：

• SAS的IN运算符仅支持跟常量值列表（如IN ('A','B','C')），不能直接引用数组名称。
• 当你写IF NOT PROS_SCRN_ID IN R_PROS_SCRN_ID时，SAS会把数组名R_PROS_SCRN_ID错误解析为数值变量，而你的PROS_SCRN_ID是字符型，因此触发字符转数值的报错，和你指定的数组格式$4.无关。

二、修正后的数组去重代码 #

我们需要替换IN的判断逻辑，改为循环检查数组中的每个元素，确认当前值是否已存在：

DATA WANT;
    SET HAVE;
    BY ID;
    ARRAY R_PROS_SCRN_ID {2} $4. R_PROS_SCRN_ID_1 - R_PROS_SCRN_ID_2;
    RETAIN R_PROS_SCRN_ID_1 - R_PROS_SCRN_ID_2;
    
    /* 标记当前值是否已在数组中存在 */
    _exists = 0;
    DO I = 1 TO 2;
        IF R_PROS_SCRN_ID{i} = PROS_SCRN_ID THEN DO;
            _exists = 1;
            LEAVE; /* 找到匹配就退出循环 */
        END;
    END;
    
    /* 若不存在且数组有空位，则插入 */
    IF NOT _exists THEN DO;
        DO I = 1 TO 2;
            IF MISSING(R_PROS_SCRN_ID{i}) THEN DO;
                R_PROS_SCRN_ID{i} = PROS_SCRN_ID;
                LEAVE; /* 插入后退出循环 */
            END;
        END;
    END;
    
    IF LAST.ID THEN OUTPUT; /* 仅输出每个ID的最后一条观测 */
    DROP I _exists; /* 清理临时变量 */
RUN;

三、更优的实现方案 #

针对“按ID分组提取唯一PROS_SCRN_ID并横向存储”的需求，有两种更高效的方案：

方案1：PROC SORT + PROC TRANSPOSE（简单直观，适合中小数据量） #

先通过去重排序保留每个ID的唯一值，再转置为横向变量：

/* 第一步：按ID和PROS_SCRN_ID去重 */
PROC SORT DATA=HAVE OUT=HAVE_UNIQUE NODUPKEY;
    BY ID PROS_SCRN_ID;
RUN;

/* 第二步：转置为横向变量，自动生成R_PROS_SCRN_ID_1、R_PROS_SCRN_ID_2... */
PROC TRANSPOSE DATA=HAVE_UNIQUE OUT=WANT (DROP=_NAME_ _LABEL_);
    BY ID;
    VAR PROS_SCRN_ID;
    PREFIX=R_PROS_SCRN_ID_; /* 自定义输出变量前缀 */
RUN;

• 优势：无需手动指定数组长度，SAS会自动根据每个ID的唯一值数量生成对应变量；如果需要限制最多2个变量，可在OUT选项中添加KEEP=ID R_PROS_SCRN_ID_1-R_PROS_SCRN_ID_2。

方案2：HASH表（高效，适合大数据量） #

利用SAS HASH表快速判断值是否存在，避免多次数组循环，性能更优：

DATA WANT;
    SET HAVE;
    BY ID;
    
    /* 每个ID的第一条观测时，初始化HASH表和变量 */
    IF FIRST.ID THEN DO;
        DECLARE HASH h(); /* 定义HASH表 */
        h.defineKey('PROS_SCRN_ID'); /* 设置键为PROS_SCRN_ID */
        h.defineDone();
        CALL MISSING(R_PROS_SCRN_ID_1, R_PROS_SCRN_ID_2); /* 清空数组变量 */
        _cnt = 0; /* 计数变量，记录已插入的唯一值数量 */
    END;
    
    /* 如果当前值不在HASH表中，且未填满2个位置，则插入 */
    IF h.check() NE 0 AND _cnt < 2 THEN DO;
        _cnt + 1;
        R_PROS_SCRN_ID[_cnt] = PROS_SCRN_ID;
        h.add(); /* 将当前值加入HASH表 */
    END;
    
    IF LAST.ID THEN OUTPUT; /* 输出每个ID的最终结果 */
    DROP _cnt; /* 清理临时变量 */
    ARRAY R_PROS_SCRN_ID[2] $4. R_PROS_SCRN_ID_1-R_PROS_SCRN_ID_2;
RUN;

• 优势：HASH表的查找操作时间复杂度为O(1)，在数据量较大时，比数组循环的效率高很多。

内容的提问来源于stack exchange，提问作者krushna ratnaparkhi