月度时序数据按12个月间隔长转宽的SAS代码优化问询

前置要求 #

输入数据集pd_base_std需提前完成排序：proc sort data=pd_base_std; by descending credit_id date_obs; run;，保证同一账户的观测按时间先后顺序排列。

实现代码 #

data pd_base_ttd2 pd_base_std pd_base_all;
    /* 定义变量格式、存储12个月激活日期的数组，声明跨观测保留的变量 */
    format ttd best12. def_count best12.;
    array def_dates{0:11} Flag_actived_date1-Flag_actived_date12;
    retain count Flag_actived_date1-Flag_actived_date12 def_count;
    
    /* 初始化hash表，用于内存中记录已处理的观测组合 */
    if _n_ = 1 then do;
        declare hash processed();
        processed.defineKey('credit_id', 'YYYY_mm');
        processed.defineDone();
    end;

    /* 第一次读取全量原始观测，生成宽格式结果 */
    set pd_base_std end=eof;
    by descending credit_id;

    /* 切换到新账户时重置所有统计变量 */
    if first.credit_id then do;
        count = 0;
        def_count = 0;
        do i = 0 to 11;
            def_dates{i} = .;
        end;
    end;

    /* 记录Flag=1的激活日期 */
    if default_flag = 1 then do;
        def_dates{mod(count,12)} = date_obs;
        def_count = def_count + 1;
    end;
    count = count + 1;

    /* 满足输出条件时输出宽表，同时标记该观测为已处理 */
    if last.credit_id or mod(count,12) = 11 then do;
        output pd_base_ttd2;
        output pd_base_all;
        processed.add(key:credit_id, key:YYYY_mm, data:credit_id, data:YYYY_mm);
    end;

    /* 所有观测遍历完成后，第二次读取原始数据，过滤已处理观测生成下一轮输入 */
    if eof then do;
        do until(ef);
            set pd_base_std end=ef;
            if processed.check(key:credit_id, key:YYYY_mm) ne 0 then do;
                output pd_base_std;
            end;
        end;
    end;

    drop i count;
run;

优化说明 #

• 单步完成原多步逻辑：无需中间排序、多数据集拼接操作，内存中用hash表完成已处理观测的标记和过滤，性能更高
• 数组定义直接对齐目标输出字段，生成的pd_base_ttd2就是你需要的宽格式结果
• 输出的pd_base_std是过滤掉已处理观测的剩余数据，可直接用于下一轮迭代，不需要额外处理

内容的提问来源于stack exchange，提问作者py14ak