基于flag和id关联两个数据集的PROC SQL死循环及取值问题求解

问题原因 #

• 原代码的JOIN条件(a.flag=b.flag and a.id=b.id) or (a.flag ne b.flag and a.id=b.id)等价于a.id = b.id，不管flag是否匹配都会关联同id的所有table2记录。如果单个id在table2中存在多条记录，会产生笛卡尔积，数据量较大时就会出现运行卡死、看起来像死循环的问题。
• 原逻辑没有实现「flag匹配优先」的规则，只会把同id的所有table2记录全部关联出来，不符合需求。
• 原代码中b.2属于非法字段名，会引发语法报错，需修正为实际的字段名。

解决代码 #

proc sql;
create table demo as
select 
    a.*,
    /* 优先取flag匹配的字段值，为空则取同id兜底的字段值 */
    coalesce(b_match.b1, b_id.b1) as b1,
    coalesce(b_match.b2, b_id.b2) as b2
from table1 a
/* 第一次关联：按id+flag匹配，优先级最高 */
left join table2 b_match
    on a.id = b_match.id and a.flag = b_match.flag
/* 第二次关联：仅按id匹配，兜底取值 */
left join table2 b_id
    on a.id = b_id.id
/* 去重保证输出行数和原table1一致 */
group by a.id, a.flag /* 此处补充table1的所有主键字段即可 */
having count(*) = 1 or b_match.b1 is not missing;
quit;

逻辑说明 #

• 两次关联分别对应优先级匹配和兜底匹配逻辑，不会产生笛卡尔积，运行效率远高于原写法
• coalesce函数会自动返回第一个非空参数，完美实现「flag匹配优先、同id兜底」的需求，避免最终结果出现空值
• group by+having逻辑会自动过滤同id多余的关联结果，保证输出的行数和原table1完全一致

内容的提问来源于stack exchange，提问作者Alex Dunphy