SAS数据集去重：从work.test1生成含唯一hhid的work.test2数据集

问题背景 #

现有SAS数据集work.test1，包含以下4个变量：

• hhid：家庭ID
• pid：个人ID
• pidlink：hhid与pid的组合标识
• bin：仅取值1或2

示例数据如下：

需求说明 #

需要创建数据集work.test2，要求每个hhid仅出现一次，筛选规则为：

• 如果某个hhid存在bin=2的记录，就保留该hhid对应的bin=2记录
• 如果该hhid没有bin=2的记录，则保留bin=1的记录

解决方案 #

下面提供三种常用的实现方法，你可以根据数据集大小和个人习惯选择：

方法1：PROC SQL 关联查询

这种方法逻辑直观，通过子查询先确定每个hhid对应的目标bin值，再关联原表提取记录：

proc sql;
    create table work.test2 as
    select distinct t1.*
    from work.test1 t1
    inner join (
        /* 子查询：计算每个hhid的最大bin值（2>1，刚好匹配需求） */
        select hhid, max(bin) as target_bin
        from work.test1
        group by hhid
    ) t2
    on t1.hhid = t2.hhid and t1.bin = t2.target_bin
    order by t1.hhid;
quit;

说明：distinct用来确保同hhid同bin的重复记录只保留一条，最终每个hhid唯一。

方法2：DATA步 + BY组处理

先排序让目标记录排在每个hhid组的最前面，再用BY组的first.hhid筛选第一条记录，效率很高，适合大数据集：

/* 第一步：按hhid升序、bin降序排序，确保每个hhid下bin=2的记录优先 */
proc sort data=work.test1 out=test_sorted;
    by hhid descending bin;
run;

/* 第二步：只保留每个hhid组的第一条记录 */
data work.test2;
    set test_sorted;
    by hhid;
    if first.hhid; /* 仅当是当前hhid的第一条记录时才保留 */
run;

说明：排序后，每个hhid组里的第一条就是我们需要的记录（有bin=2就取2，无则取1），代码简洁高效。

方法3：PROC SORT + NODUPKEY 简化实现

如果你的数据集里，同hhid同bin下的其他变量（如pid、pidlink）不需要严格区分，用这个方法最快捷：

proc sort data=work.test1 out=work.test2 nodupkey;
    by hhid descending bin;
run;

说明：nodupkey会自动删除BY组内重复的键值，这里BY组是hhid + 降序bin，所以每个hhid只会保留bin值最大的那条记录，自动完成去重。

预期输出 #

最终work.test2的结果如下：

内容的提问来源于stack exchange，提问作者stunt