在数据分析领域，经常需要将分散在不同数据集中的信息整合到一个数据集中。本文将探讨在SAS中合并数据集的几种常用方法，包括数据步（Data Step）和PROC SQL。合并数据集时，通常基于共同的字段或标准进行操作。例如，在零售公司中，可能有一个包含产品详情、销售详情和客户详情的每日交易表，以及一个包含产品详情和可用数量的库存表。为了获取库存信息或产品的可用性，需要根据产品代码将交易表和库存表结合起来，并从可用数量中减去已售出的数量。
数据集的合并可以有多种形式，这取决于业务需求和数据集之间的关系。首先，来看一下数据集之间可能存在的几种关系。当第一个数据集中的共同变量（比如变量‘x’）的每个值在第二个数据集中只有一个匹配值时，称之为一对一关系。当第一个数据集中的共同变量（比如变量‘y’）的值在其他数据集中有多个匹配值时，称之为一对多关系。当两个数据集中对于共同变量的相同值都有多个条目时，称之为多对多关系。
在SAS中，可以通过多种方式执行数据集的合并/连接，这里将讨论最常见的两种方式——数据步和PROC SQL。在数据步中，使用MERGE语句来执行连接，而在PROC SQL中，编写SQL查询。首先，来讨论数据步。
DATA 数据集;
MERGE 数据集1 数据集2 数据集3 ...数据集n;
BY 共同变量1 共同变量2.....共同变量n;
RUN;
注意：数据集必须按照共同变量排序，且所有输入数据集中共同变量的名称、类型和长度必须相同。
让来看一些不同数据集关系下的场景。
一对一关系场景1：在下面的输入数据集中，可以看到这两个表之间基于学生ID存在一对一的关系。现在想要创建一个包含所有独特学生ID及其相应的数学和物理成绩的数据集MARKS。如果学生ID在数学表中不可用，则数学成绩应为缺失值，反之亦然。
使用数据步的解决方案：SAS会比较这两个数据集，并为所有独特的变量创建一个PDV（程序数据向量），并用缺失值初始化它们（程序数据向量是输入和输出数据集之间的中间产物）。在当前示例中，它会创建一个如下的PDV：从输入数据集中读取第一条观察记录，并比较两个数据集中的BY变量值：如果值相等，则将其与PDV中的BY变量值进行比较。如果不相等，则PDV变量会用缺失值重新初始化，并将当前观察记录的值复制到PDV，而其他观察记录保持缺失。如果相等，则PDV变量不会被重新初始化。当前观察记录的可用值会在PDV中更新。之后，记录指针会移动到两个数据集中的下一条观察记录，而在执行RUN语句时，PDV值会被转移到输出数据集中。如果BY变量值不匹配，则具有最低值的数据集的观察记录会被复制到PDV。具有较低BY变量值的数据集的记录指针会移动到下一条观察记录，然后重复步骤2(a)。上述步骤会一直重复，直到两个数据集都到达文件末尾（EOF）。可以进行一次试运行来评估结果数据集。
场景2：基于场景1的输入数据集，想要创建以下输出数据集。
使用数据步的解决方案：让编写与场景1类似的代码，并使用IN选项。
在上面，使用了IN选项与两个输入数据集，并将其值分配给临时变量MATH和PHYS，因为这些是临时变量，所以不能在输出数据集中看到它们。已经展示了具有所有观察记录的变量值的表（PDV数据）以及临时变量。现在，基于这些变量值，可以编写代码进行子集和JOIN操作，以满足需求：如果MATH和PHYS都有值1，则将创建第一个输出数据集，并称为INNER JOIN。如果MATH有1，则将创建第二个输出数据集，并称为LEFT JOIN。如果PHYS有1，则将创建第三个输出数据集，并称为RIGHT JOIN。如果MATH和PHYS中任何一个有1，则将像FULL JOIN一样工作，这在场景1中也已经解决。
一对多关系场景3：这里有两个数据集，学生和考试，想要创建一个输出数据集成绩。
从上面的输入数据集中，可以看到学生和考试之间存在一对多的关系。现在，如果想创建一个输出数据集成绩，其中包含属于STUDENT数据集的每个学生的每次考试的个别观察记录，即左连接。
使用数据步的解决方案：以类似的方式，可以为一对多关系执行内部、右连接和全连接操作，使用IN操作符。
多对多关系场景4：创建一个基于共同字段的所有组合的输出数据集。也可以看到两个输入数据集都存在多对多的关系。
数据步不执行多对多关系，因为它不提供输出作为笛卡尔积。当使用数据步合并表A和表B时，输出类似于下面的快照。
已经看到，如何使用数据步合并两个或多个数据集，除了多对多关系之外的任何关系。现在来看PROC SQL方法来解决类似的要求。
PROC SQL：要理解SQL中的连接方法，首先需要理解笛卡尔积。笛卡尔积是一个在FROM子句中有多个表的查询，它产生输入表的所有可能的行组合。如果有两个分别有2和4条记录的表，那么使用笛卡尔积，将有一个有2 X 4=8条记录的表。
SQL连接适用于数据集之间的每种关系（一对一、一对多和多对多）。让看看它如何与不同类型的连接一起工作。
SELECT 列-1, 列-2,…列-n FROM 表1 INNER/LEFT/RIGHT/FULL JOIN 表2 ON 连接条件 <其他子句>;
注意：表可能或可能不需要在共同变量上排序。共同变量的名称可能不相似，但必须具有相似的长度和类型。最多可以与两个表一起工作。
让使用PROC SQL解决上述要求。
场景1：这是一个FULL JOIN的例子，需要在输出数据集中包含所有学生ID及其相应的数学和物理成绩。
在上面的输出数据集中，可以看到，那些只参加了物理考试的学生的学生ID缺失了。为了解决这个问题，将使用一个函数COALESCE。它返回给定变量中第一个非缺失参数的值。
COALESCE (参数-1, 参数-2,…..参数-n)
让修改上述代码：
场景2：这是一个INNER、LEFT和RIGHT JOIN的例子。这里解决内部连接的问题。
同样，可以为左连接和右连接做同样的事情。
场景3：这是一个一对多关系的左连接问题。
场景4：这是一个多对多关系的问题。已经讨论过SQL可以产生包含两个表之间所有记录组合的笛卡尔积。
已经看过了Proc SQL来连接/合并数据集。
结束语：在本系列关于SAS中合并数据集的文章中，看了各种合并数据集的方法，比如追加、连接、交错和合并。特别是在本文中，讨论了根据数据集之间的关系，各种类型的连接以及如何根据不同场景解决它们。使用了两种方法（数据步和PROC SQL）来实现结果。将在将来的文章中查看这些方法的效率。
觉得这个系列有用吗？已经简化了像合并数据集这样的复杂主题，并试图以易于理解的方式呈现。如果需要更多关于合并数据集的帮助，请随时在下面的评论中提出问题。