用SAS进行数据分析:如何进行随机抽样?

利用SAS进行随机抽样

在构建数据挖掘模型过程中,有时我们无法对所有的整体进行全面研究,有时我们希望将整体划分为训练集、验证集、测试集三份用于不同目的的数据集,甚至在K-折交叉验证中,我们需要把样本随机的划分为K份数据子集。本文介绍SAS的SURVEYSELECT过程和RANUNI函数在随机抽样方面的应用。

0、读入数据集,并对数据集按分层变量进行排序。本文数据集采用students.txt

* 从students.txt读入文件到数据集students;

DATA students;

       INFILE ‘C:\students.txt’;

       INPUT id class $ gender $ math english history chem phys literat;

RUN;

* 查看数据集内容;

PROC PRINT DATA = students;

       TITLE ‘Students”s class gender & scores’;

RUN;

* 对二维列联表(班级、性别)进行频数统计;

PROC FREQ DATA = students;

       TABLES class * gender /NOPERCENT NOROW NOCOL;

RUN;

* 首先对数据集按分层变量进行排序;

PROC SORT DATA = students;

    BY class gender;

RUN;

1、利用SURVEYSELECT过程进行等比例分层抽样

* 利用SURVEYSELECT过程对数据集进行等比例分层抽样;

PROC SURVEYSELECT DATA = students out = samp1 method = srs samprate = .5 seed = 9876;

       STRATA class gender;

RUN;

* 查看分层抽样的结果;

PROC FREQ DATA = samp1;

       TABLES class * gender /NOPERCENT NOROW NOCOL;

RUN;

2、利用SURVEYSELECT过程进行不等比例分层抽样

* 利用SURVEYSELECT过程对数据集进行等不比例分层抽样;

PROC SURVEYSELECT DATA = students out = samp2 method = srs samprate = (.4 .6 .4 .6 .4 .6)seed = 9876;

       STRATA class gender;

RUN;

* 查看分层抽样的结果;

PROC FREQ DATA = samp2;

       TABLES class * gender /NOPERCENT NOROW NOCOL;

RUN;

3、利用SURVEYSELECT过程根据抽样数量进行分层抽样

* 利用SURVEYSELECT过程对数据集进行指定数量的分层抽样;

PROC SURVEYSELECT DATA = students out = samp3 method = srs n = (8 4 6 8 5 7) seed =9876;

       STRATA class gender;

RUN;

* 查看分层抽样的结果;

PROC FREQ DATA = samp3;

                        TABLES class * gender /NOPERCENT NOROW NOCOL;

RUN;

4、利用随机数函数RANUNI对数据集进行粗略划分

* 利用RANUNI函数将数据集粗略的划分为N=5份;

DATA s1 s2 s3 s4 s5;

       SET students;

       r = RANUNI(991889);

       IF r<0.2 THEN OUTPUT s1;

      ELSE IF r<0.4 THEN OUTPUT s2;

       ELSE IF r<0.6 THEN OUTPUT s3;

       ELSE IF r<0.8 THEN OUTPUT s4;

       ELSE OUTPUT s5;

       DROP r;

RUN;

5、利用随机数函数RANUNI对数据集进行精确划分

* 根据数据集创建视图students_v,增加随机数列;

DATA students_v /view=students_v;

       SET students;

       srt = RANUNI(999890);

RUN;

* 按照随机数列对数据集进行排序,创建数据集students_srt,删除随机数列;

PROC SORT DATA = students_v OUT = students_srt(DROP = srt);

       BY srt;

RUN;

*  将数据集精确地划分为N=5份;

DATA s1 s2 s3 s4 s5;

       RETAIN per ;

       SET students_srt NOBS= total;

       IF _N_ = 1 THEN per = INT(total/5);

       if _N_<= per then output s1;

       ELSE IF _N_<= 2 * per THEN OUTPUT s2;

       ELSE IF _N_<= 3 * per THEN OUTPUT s3;

       ELSE IF _N_<= 4 * per THEN OUTPUT s4;

       ELSE OUTPUT s5;

       DROP per;

RUN;

作者:郑来轶

数据分析精选专稿,转载必须获得本站、原作者的同意,拒绝任何不表明作者及来源链接的转载!

郑来轶

郑来轶

人称“数据哥”,微博/微信/今日头条/百度百家/一点资讯/网易云阅读等大V帐号@数据分析精选,国内某知名互联网公司无线数据分析专家,前中国移动阅读基地资深数据分析师、每日轩昂BI总监,多年来深耕移动互联网行业的数据体系建设与数据分析应用。
郑来轶

注:数据分析网遵循行业规范,任何转载的稿件都会明确标注作者和来源,若标注有误或遗漏,请联系主编邮箱:afenxi@afenxi.com

分享到:更多

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址