如何将SEER数据的SAS加载文件转换为R加载命令？

我之前处理过好多SEER数据从SAS转R的需求，这种情况太常见了，咱们一步步来搞定它！

首先先拆解你给的SAS脚本里的关键信息：

• filename seer9 './yr1973_2015.seer9/*.TXT';：指定要读取目标目录下所有TXT格式的SEER数据文件
• infile seer9 lrecl=362;：说明每个数据行的固定长度是362个字符
• input @ 1 PUBCSNUM $char8. ...：这是按固定位置/宽度读取每个变量，@ X表示变量起始位置，$charN.表示这是长度为N的字符型变量

R里处理固定宽度文本文件最常用的是基础包的read.fwf，或者tidyverse生态的readr::read_fwf（速度更快），下面给你具体的转换步骤和代码：

步骤1：获取所有SEER数据文件的路径 #

SAS里的通配符*.TXT在R里可以用list.files实现：

# 获取目标目录下所有TXT文件的完整路径
seer_files <- list.files("./yr1973_2015.seer9", pattern = "\\.TXT$", full.names = TRUE)

步骤2：整理变量的宽度、名称和类型 #

你需要把SAS脚本里的每个变量定义转换成R能识别的格式，比如你给出的几个变量对应关系如下：

把这些整理成R的参数，注意所有变量的宽度总和必须等于362（对应SAS里的lrecl=362），后续你需要把SAS脚本里剩下的变量都补充进来：

# 定义变量规格：列名、宽度、类型
variable_specs <- list(
  names = c("PUBCSNUM", "REG", "MAR_STAT", "RACE1V", "NHIADE", "SEX"),
  widths = c(8, 10, 1, 2, 1, 1), # 继续添加剩余变量的宽度，总和要=362
  col_classes = c("character", "character", "character", "character", "character", "character")
)

步骤3：批量读取并合并所有文件 #

方法1：用基础包的read.fwf #

# 需要批量合并文件的话，用purrr包的map_dfr（先安装：install.packages("purrr")）
library(purrr)

seer_data <- map_dfr(seer_files, function(file) {
  read.fwf(
    file = file,
    widths = variable_specs$widths,
    col.names = variable_specs$names,
    colClasses = variable_specs$col_classes,
    lrecl = 362, # 匹配SAS的行长度设置
    encoding = "ASCII", # SEER数据是ASCII编码，避免乱码
    stringsAsFactors = FALSE # 不要自动把字符转成因子
  )
})

方法2：用tidyverse的readr::read_fwf（推荐，速度更快） #

# 先安装readr：install.packages("readr")
library(readr)
library(purrr)

seer_data <- map_dfr(seer_files, function(file) {
  read_fwf(
    file = file,
    col_positions = fwf_widths(variable_specs$widths, variable_specs$names),
    col_types = strrep("c", length(variable_specs$names)), # 字符型用"c"，数值型改成"d"
    locale = locale(encoding = "ASCII")
  )
})

关键注意事项 #

• 一定要检查所有变量的宽度总和是否等于362，否则读取会出现错位或者报错
• 如果某些变量是数值型（比如诊断年份、年龄等），记得把col_classes里对应的位置改成"numeric"（或者在read_fwf里把对应的"c"改成"d"）
• 如果遇到读取错误，先检查文件路径是否正确，或者行长度是否有异常（比如是否有换行符问题）
• SEER数据有时候会有特殊的编码情况，如果ASCII编码不行，可以试试encoding = "latin1"

内容的提问来源于stack exchange，提问作者TimF