在上一篇《提出你的研究問題》中，我們選定 NESARC 數(shù)據(jù)集，想研究的問題是尼古丁依賴。我們想知道尼古丁依賴是否和吸煙有關(guān)？也想知道，要吸多少煙才會產(chǎn)生尼古丁依賴？

如之前所說，需要查看我們的 Codebook 中有多少變量是和我們的研究相關(guān)的。觀察Codebook 后，跟我們的問題相關(guān)的變量有：過去12個月是否香煙依賴（TAB12MDX），過去12個月是否吸煙（CHECK321），平時的吸煙頻率（S3AQ3B1），平時的吸煙數(shù)量（S3AQ3C1）等等。我們現(xiàn)在想做的是：把這些變量篩選出來，進行分析，看看吸煙頻次和數(shù)量，是否和尼古丁依賴正相關(guān)。

聽起來很簡單，但是在這之前，我們還要做一些篩選工作，比如要在數(shù)據(jù)中篩選出過去年齡為18-25歲的，過去12個月內(nèi)有吸煙的人做研究。

為什么要篩選呢？可以理解成，因為數(shù)據(jù)覆蓋的范圍越大，有可能對結(jié)果產(chǎn)生干擾因素的變量就越多，如果我們?yōu)榱苏业絻蓚€因素是否彼此是相關(guān)的，最理想的情況是整個樣本的其他參數(shù)都是一樣的，只有這兩個因素有變化，當然，這在現(xiàn)實中是不可能的。所以我們只能盡量的去控制樣本的一致性，年齡可能是一個影響因素，我們就只選定18-25的年輕人，而過去吸煙現(xiàn)在不吸煙這樣的數(shù)據(jù)也許對我們有干擾，所以我們把他們?nèi)コ簟?/p>

這就是我們將要學習的第一段 SAS 程序代碼！

LIBNAME mydata "/courses/d1406ae5ba27fe300 " access=readonly;

DATA new; set mydata.nesarc_pds;

LABEL TAB12MDX="Tobacco Dependence Past 12 Months"            CHECK321="Smoked Cigarettes in Past 12 Months"            S3AQ3B1="Usual Smoking Frequency"     
    S3AQ3C1="Usual Smoking Quantity";
    
/*subsetting the data to include only past 12 month smokers, age 18-25*/
    IF CHECK321=1;
    IF AGE LE 25;
PROC SORT; by IDNUM;
PROC FREQ; TABLES TAB12MDX CHECK321 S3AQ3B1 S3AQ3C1 AGE;
RUN;

它的功能是：

1. 建立一個叫做 mydata 的邏輯庫；
2. 讀取 nesarc_pds 的數(shù)據(jù)；
3. 將不同的數(shù)據(jù)分別加上標簽；
4. 篩選數(shù)據(jù)；
5. 將數(shù)據(jù)按照 IDNUM 排序，并保存到新的數(shù)據(jù)集；
6. 查看其中幾個變量的頻數(shù)；

我來一個一個解釋下：

1. 建立一個叫做 mydata 的邏輯庫；

LIBNAME mydata "/courses/d1406ae5ba27fe300 " access=readonly; 

Libname 指“Library Name”，可以告訴 SAS 去哪里找數(shù)據(jù)，mydata就是 library 的名稱，引號內(nèi)的則是數(shù)據(jù)文件所保存的路徑，access=readonly'Libname 的一個設(shè)置，設(shè)置成只讀后我們的操作就不會對數(shù)據(jù)本身造成影響，結(jié)尾的分號，是 SAS 語句的結(jié)尾，每一句 SAS 語句都需要用分號結(jié)束。

SAS 會建立一個 Library，并命名為 mydata，這個邏輯庫在硬盤中的保存位置是“/courses/d1406ae5ba27fe300 ”，可以通過 mydata.數(shù)據(jù)集名來指定具體的數(shù)據(jù)集。

2. 讀取 nesarc_pds 的數(shù)據(jù)；

DATA new; set mydata.nesarc_pds;

DATA在 SAS 中是很常用的功能，也叫做 Data Step，可以用來處理數(shù)據(jù)；

new是新的數(shù)據(jù)集的名稱；

SET在 Data Step 中，可以告訴 SAS 我們需要分析的數(shù)據(jù)集的名稱，并在運行時加載這個數(shù)據(jù)集；

開啟一個 DataStep，同時指定新的數(shù)據(jù)集名稱為 New，保存在默認的 work libraray。

讀取mydata.narc_pds 這個數(shù)據(jù)集；

3. 將不同的數(shù)據(jù)分別加上標簽；

LABEL TAB12MDX="Tobacco Dependence Past 12 Months"            CHECK321="Smoked Cigarettes in Past 12 Months"
     S3AQ3B1="Usual Smoking Frequency"     
     S3AQ3C1="Usual Smoking Quantity";

Label 命令在 Data Step 中可以為變量設(shè)置不同的標簽；

SAS 的數(shù)據(jù)集中， 每個變量可以保存它的 Name、Type（數(shù)字或文本）、Length、Label、Format（格式）、Informat 六個屬性信息；

因為原始的變量名字，很難記住具體的所反應的意義，所以，通過修改標簽的方式，讓我們在觀察報告的時候，更清楚的知道每個變量所指代的數(shù)據(jù)是什么一意義。

4. 篩選數(shù)據(jù)；

    IF CHECK321=1;
    IF AGE LE 25;

通過 IF條件，來篩選出合適的數(shù)據(jù)集；這里可以使用 Where;

5. 將數(shù)據(jù)按照 IDNUM 排序，并保存到新的數(shù)據(jù)集；

PROC SORT; by IDNUM;

Proc Step 是 SAS 的兩種程序處理方式的之一，一種是上面提到的 Data Step，用來處理數(shù)據(jù)集，另一種這是這樣的 Proc Step，用來對數(shù)據(jù)進行分析和報告；

Proc Sort 的功能是給數(shù)據(jù)集排序，如果是單獨使用的話，代碼是：

Proc Sort Data=work.new；by IDNUM；run；

這里因為寫在了 Data Step 里，因此省略了 制定 Data 的選項，同時在最后有不用寫 run；

6. 查看其中幾個變量的頻數(shù)；

PROC FREQ; TABLES TAB12MDX CHECK321 S3AQ3B1 S3AQ3C1 AGE;
RUN;

Proc Freq 可以用來查看變量的頻數(shù)分布，使用方法是，在具體想要查看的變量之前加上 Tables 就可以啦；

部分結(jié)果：

可以看到Proc Freq 顯示了 Label："Tobacco Dependence Past 12 Months"，并記錄了 TAB12MDX 這個變量，即"過去12個月是否有尼古丁依賴"（0或1代表有或沒有）兩個值的頻率分布，以及累積頻率。

僅僅從這個表中，我們能判斷的信息還是非常有限的，因為數(shù)據(jù)可能還需要進一步處理，比如，有些變量不止有0和1，那是怎么回事？

相關(guān)文章：

學習數(shù)據(jù)分析卻沒有合適的數(shù)據(jù)集？
提出你的研究問題
安裝 SAS Studio

參考資料：

數(shù)據(jù)管理與可視化 - 衛(wèi)斯連大學