2
Cvičení 1
3
Instalační soubory, licenční podmínky
 Instalační soubory SASu jsou k dispozici
všem studentům a učitelům ÚMS PřF MU na
webu ÚMS v zabezpečené zóně (přístup pod
loginem a heslem do domény).
 Před vlastním zobrazením stránky s inst.
soubory je nutné odsouhlasit licenční
podmínky.
4
Instalační soubory, licenční podmínky
 Po odsouhlasení licenčních podmínek jsou k dispozici zkomprimované
instalační depa pro OS Windows 32/64bit a Linux 32/64bit.
5
Práce v SAS
 Pro studenty (i vyučující) je dostupný SAS na 12 PC ve verzi
Linux+Windows a dalších 24 PC ve verzi Linux.
 Výuka probíhá ve verzi Windows (virtuální pod linuxem)
link na verzi „windows“
link na vezi linux
Screenshot (výřez)
pracovní plochy:
6
Práce v SAS – verze linux
 K dispozici SAS 9.2
 Po spuštění se otevře 6
oken (Results, Explorer,
Toolbox, Output, Log,
Program Editor)
 Uživatelský komfort je
na velmi nízké úrovni,
nicméně vše je funkční a
pracovat se v „tom“ dá.
7
 Po spuštění Windows ve
virtuálním prostředí je třeba se
přihlásit do domény.
Práce v SAS – verze windows
 Po přihlášení je k dispozici:
 SAS 9.2
 SAS Enterprice Guide 4.3
 IML Studio 3.3
8
Práce v SAS – verze windows
 Vlastní práce v SASu se pak
nijak neliší od práce v
„klasických“ windows.
 Ukládat kódy a datové tabulky
lze jak na lokálním disku tak na
síti v rámci domény.
9
Enterprice Guide
 Nejprve je třeba vytvořit nový projekt.
10
Enterprice Guide
 Načteme data (customer.sas7bdat – studijni materialy v ISu)
11
Enterprice Guide
 Lze přepnout zpět na Process Flow
 Zobrazí se datová tabulka:
12
Enterprice Guide
 V záložkách si lze vybrat z řady úloh (kont./frekvenční tabulky,
grafy, ANOVA, regrese,…):
13
Enterprice Guide
 V záložce „Data“ vybereme proměnné a přiřadíme jim role:
 Např. prom. „Country“ označíme jako „Clasissification“ proměnnou.
 Dále je možné volit např. způsob setřídění výstupu.
14
Enterprice Guide
 V záložce „Summary Tables“ nadizajnujeme kontingenční tabulku:
15
Enterprice Guide
 Po kliknutí na „Preview code“ se zobrazí okno se SASovským
kódem, který lze upravovat nebo zkopírovat a použít v
programovacím prostředí SASu.
16
Enterprice Guide
 Po kliknutí na „Preview code“ se zobrazí okno se SASovským
kódem, který lze upravovat nebo zkopírovat a použít v
programovacím prostředí SASu.
 V záložce
„Properties“ lze
měnit styl …např.
na „sasweb“
17
Enterprice Guide
 V Process Flow přibude uzel pro zvolenou úlohu (Summary Tables)
a uzel s výsledky.
18
Úkoly
1. Vytvořte kontingenční tabulku pro prom. Country a Gender
obsahující absolutní a relativní četnosti včetně řádkově a
sloupcově podmíněných relativních četností.
2. Vytvořte koláčový graf pro prom. Country se zobrazením
relativních četností.
3. Přeneste příslušné kódy z úkolů 1 a 2 do programovacího
prostředí a vygenerujte stejnou tabulku a graf.
4. V Helpu nebo na support.sas.com zjistěte další možnosti úpravy
grafu (3D, barvy, fonty písma…)
19
Cvičení 2
20
Libname
Slouží pro namapování knihovny
– typicky jde o adresář na pevném disku.
Libname _234567 "D:\dukumenty\prace\vyuka\Data_Mining_1";
Libname dm1 "z:\dm1\data";
21
Libname
• Základní knihovny jsou Maps,
Sashelp, Sasuser a Work
Libname _234567 "D:\dukumenty\Data_Mining_1";
22
Libname
• „Knihovnu“ lze smazat ….smaže se pouze odkaz (na disku se nic
fyzicky nemaže), přesto je třeba akci potvrdit.
23
Datové tabulky
• Datové tabulky v knihovně lze zobrazit pomocí ViewTable
(dvojklik na tabulku nebo „Open“ v menu vyvolaném pravým
tlačítkem myši nad vybranou tabulkou)
• Lze také zobrazit vlastnosti vybrané tabulky (obecné vlastnosti,
seznam sloupců, jejich formáty,…)
24
Datové tabulky
• Tabulku lze kopírovat do schránky a následně uložit (Paste) do jiné
knihovny.
• Lze také (v rámci dané knihovny) provést duplikaci nebo přejmenování
tabulky.
• Tabulku lze smazat …. je třeba akci potvrdit
o Po potvrzení se tabulka fyzicky z disku smaže!!!
25
Datové tabulky
• V rámci ViewTable lze provádět např. setřídění podle vybraného sloupce.
• Také lze data filtrovat pomocí Where filtru (vyvolá se stisknutím pravého
tlačítka myši).
26
Import v SAS EG
• Pomocí File - Open – Data
• nebo File – Import Data
27
Import v SAS EG
• „Open data“ neumí načíst
příliš velká data (otevře
pomocí poznámkového
bloku). Pro „malá“ data se
spustí „Import data“ wizard.
• File – Import data funguje
i pro velká data.
28
Import v SAS EG
• Lze nastavit kódování, oddělovač sloupců (čárka, středník, tabulátor,…),
info zda první řádek obsahuje názvy sloupců,…
29
Import v SAS EG
• Lze ručně nastavit názvy sloupců a jejich formáty.
30
Úkoly
1. Vytvořte si svji knihovnu. Zkopírujte do ní tabulku Cars z
knihovny Sashelp. Zjistěte jaké sloupce obsahuje, včetně formátů.
Seřaďte tabulku podle sloupce Type (sestupně). Vyfiltrujte data
jen na řádky s hodnotou „Truck“ ve sloupsi Type.
2. Importujte soubor cs-training.csv (pomocí SAS EG, Wizardu v
programovacím prostředí i pomocí Data Stepu. Vytvořenou
tabulku uložte (pomocí Data Stepu) v komprimované podobě a
porovnejte velikosti tabulek na disku.
3. Pomocí ODS vytvořte html, rtf a pdf soubor obsahující značku,
název modelu a výkon automobilů z tabulky sashelp.cars (where
Type EQ ‘Truck’).
31
Cvičení 3
32
• Mimo základní využití proc sql pro výběr definovaných
podmnožin daných datových tabulek lze proc sql použít
také pro:
• vytváření nových tabulek
• update existujících tabulek
• úpravu existujících tabulek
• mazání existujících tabulek
• …
Více na:
http://support.sas.com/documentation/cdl/en/sqlproc/62086/HTML/default/viewer.htm#a001384710.htm
Proc SQL
33
• With the SET clause, you assign values to columns by name. The
columns can appear in any order in the SET clause. The following
INSERT statement uses multiple SET clauses to add two rows to
NEWCOUNTRIES:
http://support.sas.com/documentation/cdl/en/sqlproc/62086/HTML/default/viewer.htm#a001387930.htm
proc sql;
insert into sql.newcountries
set name='Bangladesh',
capital='Dhaka',
population=126391060
set name='Japan',
capital='Tokyo',
population=126352003;
quit;
34
• With the VALUES clause, you assign values to a column by
position. The following INSERT statement uses multiple VALUES
clauses to add rows to NEWCOUNTRIES.
http://support.sas.com/documentation/cdl/en/sqlproc/62086/HTML/default/viewer.htm#a001387930.htm
proc sql;
insert into sql.newcountries
values ('Pakistan', 'Islamabad', 123060000, ., ' ', .)
values ('Nigeria', 'Lagos', 99062000, ., ' ', .);
quit;
35
• You can insert the rows from a query result into a table. The
following query returns rows for large countries (over 130 million in
population) from the COUNTRIES table. The INSERT statement
adds the data to the empty table NEWCOUNTRIES, which was
created earlier in “Creating Tables Like an Existing Table”:
http://support.sas.com/documentation/cdl/en/sqlproc/62086/HTML/default/viewer.htm#a001387930.htm
proc sql;
create table sql.newcountries
like sql.countries;
proc sql;
insert into sql.newcountries
select * from sql.countries
where population ge 130000000;
quit;
36
Úkoly
1. Spojením (pomocí proc sql) tabulek customers a customerorders vytvořte
tabulku obsahující typ zákazníka (customer type), celkový počet nákupů/kusů
zboží, celkový objem prodeje, průměrnou prodejní cenu pro skupiny dané
typem zákazníka a seřazené sestupně podle celkového objemu prodeje. Názvy
nových sloupců opatřete vhodným labelem a formát posledních dvou sloupců
nastavte na dollar12.2.
2. viz 1, ale skupiny dané pomocí CustomerGroup a jen ty, které mají celkový
objem prodeje >= 10.000.
3. Zjistěte kolik zákazníků z tabulky customers má nějaký záznam v tabulce
customorders, kolik jich tam nemá žádný záznam a zda tabulka customers
neobsahuje duplicity.
37
Úkoly
4. Vypište prvních 5 záznamů tabulky customers.
5. Vytvořte tabulku obsahující všechny sloupce tabulky customers a obsahujicí
klienty (jen unikátní záznamy), jejichž příjmení začíná písmenem „M“ a kteří
podle údajů v customerorders nakoupili zboží s jednotkovou cenou v intervalu
100 – 150. Do takto vytvořené tabulky přidejte řádky splňující předchozí
podmínky s tím rozdílem, že příjmení začíná písmenem „H“.
6. Vytvořte tabulku obsahující všechny údaje tabulky customorders a navíc
sloupec, jehož hodnoty jsou definované takto:
„high unit price“ pokud UnitPrice > 120
„mid unit price“ pokud 40 <UnitPrice< =120
„low unit price“ pokud 20 <UnitPrice< =40
„very low unit price“ jinak
38
Cvičení 4
39
Seznam všech funkcí podle kategorie:
Funkce substr:
http://support.sas.com/documentation/cdl/en/lrdict/64316/HTML
/default/viewer.htm#a000245860.htm
SAS functions nad CALL routiens
http://support.sas.com/documentation/cdl/en/lrdict/64316/HTML/
default/viewer.htm#a000212264.htm
<variable=>SUBSTR(string, position<,length>)
• If length is zero, a negative value, or larger than the length of the expression that
remains in string after position, SAS extracts the remainder of the expression. SAS also
sets _ERROR_ to 1 and prints a note to the log indicating that the length argument is
invalid.
• If you omit length, SAS extracts the remainder of the expression.
• Více na:
The FIND function searches string for the first occurrence of the
specifiedsubstring, and returns the position of that substring. If the substring is not
found in string, FIND returns a value of 0.
string…specifies a character constant, variable, or expression that will be searched
for substrings.
substring…is a character constant, variable, or expression that specifies the
substring of characters to search for in string.
startpos…is a numeric constant, variable, or expression with an integer value that
specifies the position at which the search should start and the direction of the
search.
40
Funkce find:
SAS functions nad CALL routiens
FIND(string,substring<,startpos><,modifiers>)
If startpos is not specified, FIND starts the search at the beginning of the stringand
searches the string from left to right. If startpos is specified, the absolute value of
startpos determines the position at which to start the search. The sign of startpos
determines the direction of the search.
Více na:
41
SAS functions nad CALL routiens
http://support.sas.com/documentation/cdl/en/lrdict/64316/HTML/default/
viewer.htm#a002267763.htm
FIND(string,substring<,startpos><,modifiers>)
The WEEKDAY function produces an integer that represents the day of the week, where
1=Sunday, 2=Monday, ..., 7=Saturday.
Returns the count of the number of interval boundaries between two dates, two times,
or two datetime values.
Returns the current date as a numeric SAS date value.
Returns the largest integer that is less than or equal to the argument
Více na: 42
SAS functions nad CALL routiens
http://support.sas.com/documentation/cdl/en/lrdict/64316/HTML/default/viewer.htm#a000212868.htm
WEEKDAY(date)
INTCK(interval,start-from, increment,< 'alignment'>)
TODAY()
FLOOR(argument)
43
K řešení úkolů je jinak dostačující učební text k přednášce. V případě
hlubšího zájmu viz:
Proc Sort:
Proc Format:
Data step: http://support.sas.com/documentation/cdl/en/basess/58133/HTML/
default/viewer.htm#a001302699.htm
http://support.sas.com/documentation/cdl/en/proc/61895/HTML/
default/viewer.htm#a000057941.htm
http://support.sas.com/documentation/cdl/en/proc/61895/HTML/
default/viewer.htm#a000063536.htm
44
Úkoly
1. Vypište (pomocí proc sql) křestní jméno a příjmení zákazníků z
tabulky Customers
a) jejichž příjmení obsahuje „00“ (pomocí like i contains)
b) jejichž příjmení má druhé a třetí písmeno „o“
a výsledky porovnejte.
2. Vytvořte tabulku z tabulky Customers (proc sql), kde vytvoříte
nový sloupec s kódem státu klienta (z CustomerAdrress2 pomocí
funkcí substr, find). Následně nastavte délku tohoto sloupce na 2
a zjistěte úsporu diskového prostoru.
45
Úkoly
3. Vytvořte tabulku (pomocí proc sort), která bude obsahovat údaje
z tabulky sales a bude seřazená podle pohlaví (Gender)… tak, že
nejprve budou uvedeni muži… a současně seřazená vzestupně
podle příjmení (Last_Name).
4. Vypište (do rtf/pdf) vytvořenou tabulku z bodu 1 se sloupci
Employee_ID, Gender, Salary a Country s vhodnými formáty
sloupců (u sloupců Gender, Salary a Country vlastní formát (viz
přednáška). U všech sloupců použijte popisky (labely) i hodnoty
ve sloupcích v češtině.
5. Pomocí data stepu vytvořte tabulku obsahující prvních pět
sloupců a řádky tabulky sales splňující podmínky: Gender = „M“,
Salary > 30 000.
46
Úkoly
6. Vytvořte tabulku z tabulky sales, ve které vzniknou nové sloupce:
• odchylka od průměrného příjmu
• rok narození
• měsíc narození
• den v týdnu příslušný datu narození (s českým názvem dne)
• rok nástupu do firmy
• měsíc nástupu do firmy
• věk v letech (k aktuálnímu datu)
• věk v letech k datu nástupu do firmy
47
Cvičení 5
Writes date values as the name of the month
The example table uses the input value of 16500, which is the SAS date value that
corresponds to March 5, 2005.
Více na:
48
SAS formats
http://support.sas.com/documentation/cdl/en/lrdict/64316/HTML/default/viewer.htm#a000201049.htm
MONNAMEw. format
Returns a value using a specified format.
Např.:
put(OrderDate,monname.) as order_month
Value_after_30_years = put(Retirement, dollar12.2);
Více na:
49
PUT function
http://support.sas.com/documentation/cdl/en/lrdict/64316/HTML/default/viewer.htm#a000199354.htm
PUT(source, format.)
50
Úkoly
1. Vytvořte formát …1=‘leden’, 2=‘ůnor’, other=‘ostatní’. Pomocí něj v
tabulce Customerorders transformujte sloupec OdrerDate a
vypište celkový úhrn tržeb (format dollar12.2) pro skupiny nově
vytvořeného sloupce. Výpis seřaďte podle vypočteného úhrnu
tržeb sestupně.
2. Vypište celkový úhrn tržeb v tabulce Customerorders pro
jednotlivé měsíce v roce. Výpis bude obsahovat číslo měsíce, jeho
anglický název a úhrn tržeb…seřazeno podle čísla měsíce
vzestupně.
51
Úkoly
3. Pomocí jednoho data stepu vytvořte dvě nové tabulky z tabulky
Customers tak, že v první nové tabulce budou zákazníci s
CustomerType = “inactive”, ve druhé nové tabulce budou zákazníci s
CustomerType různým od “inactive”. Ve druhé tabulce současně
vytvořte sloupec Type, který nabývá hodnoty “Club Member” pro
CustomerID <2000 a hodnoty “Gold Club Member” jinak.
4. Z tabulky Customerorders vytvořte pomocí data stepu tabulku, která
obsahuje nový sloupec s názvem Level. Jeho hodnoty jsou v každém
řádku podmíněny hodnotou UnitPrice takto: Level = ‘Level I’ pro
UnitPrice <=30, Level = ‘Level II’ pro 30<UnitPrice <=60, Level = ‘Level
III’ pro 60<UnitPrice <=120 a Level = ‘Level IV’ pro UnitPrice > 120.
52
Úkoly
5. Z tabulky USemps pomocí data stepu vytvořte tabulku obsahující
sloupce EmployeeID , Salary, Investment, Value_after_30_years,
Value_after_40_years a Value_after_50_years. Poslední tři sloupce (ve
formátu dollar12.2) představují částku naspořenou po 30-ti, 40-ti a 50-ti
letech, za předpokladu, že daný zaměstnanec ročně uloží 3% svého
ročního příjmu (salary), nejvýše však 10000, a roční úroková míra je 4%.
6. Vytvořte tabulku (pomocí data stepu a array) z tabulky z bodu 5, ve
které budou poslední tři sloupce vyjadřovat potenciální měsíční
výplatu penze po dobu pěti let po ukončení spoření.
7. Z tabulky Customerorders vypište CustomerID, datum prvního nákupu
(příslušející k danému CustomerID), datum posledního nákupu
(příslušející k danému CustomerID) a počet dnů mezi těmito daty
(tabulku vhodně setřiďte, pak použijte first. a last.).
53
Cvičení 6
Vrací dekadický logaritmus argumentu.
Odstraní mezery na začátcích a koncích zadaných řetězců a vrátí jejich spojení do
jednoho řetězce (související funkce: CAT, CATT a CATX).
Více na:
54
SAS functions nad CALL routiens
http://support.sas.com/documentation/cdl/en/lrdict/64316/HTML/default/viewer.htm#a000245910.htm
http://support.sas.com/documentation/cdl/en/lrdict/64316/HTML/default/viewer.htm#a002256540.htm
LOG10(argument)
CATS(string-1 <, …, string-n>)
Any of the following statements may be used to change the order of variables in the
program data vector:
ATTRIB, ARRAY, FORMAT, INFORMAT, LENGTH, and RETAIN.
Např.
Více na:
55
Změna pořadí sloupců
http://www.repole.com/dinosaur/
http://www.repole.com/dinosaur/reordervars.html
http://analytics.ncsu.edu/sesug/2002/PS12.pdf
data dm1.annual_orders1;
retain customer_ID mesic1-mesic12;
set dm1.annual_orders;
run;
56
Úkoly
1. Předpokládejte, že je prosinec roku 2001. Máte za úkol určit roční
bonus zaměstnanců (tabulka USemp). Za každý započatý rok
přísluší zaměstnanci $50, nejvýše však $500. Služebně nejstarší
zaměstnanci každého oddělení (EmployeeDepartment) dostanou
navíc $100.
2. Vytvořte tabulku z tabulky Cars, ve které vzniknou nové sloupce
obsahující počet cifer všech numerických sloupců tabulky Cars
(pomocí data stepu s využitím „array“ a „do“ cyklu, počet cifer je spodní celá část dekadického logaritmu +1).
57
Úkoly
3. Vytvořte tabulky, které vzniknou z tabulek UScustomers a
USnewcustomers :
a) Spojením (concatenation)
b) Proložením (interleaving)
c) Setříděním tab. z bodu a).
Výsledky porovnejte.
4. Vytvořte tabulky, které vzniknou z tabulek Customerorders a
Customers:
a) Sloučením (merge) přes CustomerID
b) Sloučením (merge) přes CustomerID tak, aby výsledná
tabulka obsahovala jen klienty, kteří učinili nějaký nákup.
Výsledky porovnejte.
58
Úkoly
5. Z tabulky Employee_donations vytvořte tabulku obsahující
sloupec Employee_ID, sloupec obsahující kvartál darů a sloupec
obsahující finanční výši darů (nejprve pomocí array, pak pomocí
transpose).
6. Z tabulky Order_summary vytvořte tabulku obsahující sloupec
Employee_ID a sloupce (s vhodnými názvy) obsahující výši
nákupů/objednávek v jednotlivých měsících v roce (pomocí
transpose).
59
Úkoly
7. Z tabulky Customerorders vytvořte tabulku obsahující sloupec
CustomerID a sloupce (s vhodnými názvy) vyjadřující měsíc
nákupu (relativně vzhledem k datu prvního nákupu každého
zákazníka, tj. den prvního nákupu a vše ve stejný kalendářní
měsíc = OrderMonth01, následující kalendářní měsíc =
OrderMonth02, a tak dále) a obsahující celkovou výši nákupů v
jednotlivých měsících.
60
Cvičení 7
61
Úkoly
1. Z údajů v tabulce Sales, pro které název pozice(job_title)
obsahuje řetězec „Rep“, vytvořte html/pdf/rtf obsahující
kontingenční tabulku sloupců pohlaví(gender) a stát(country).
Nastavte vhodný nadpis a potlačte výpis datumu. (PROC
FREQ)
2. Vytvořte tabulku Sales1 z tabulky Sales, ve které vznikne nový
sloupec hire_age představující věk zaměstnance v okamžiku
nástupu do zaměstnání. Vytvořte formát HireAge, který
agreguje zadaný sloupec do kategorií low-<20, 20-<25 a 25high.
Následně vytvořte frekvenční tabulku pro sloupec
hire_age formátovaný pomocí HireAge. (PROC FREQ)
62
Úkoly
3. Z tabulky Sales1 z úkolu 2
a) vypište průměr (mean) a rozsah (range) příjmu (salary) pro
všechny trojice hodnot sloupců pohlaví (gender), stát
(country) a hire_age formátovaného pomocí HireAge z úkolu
2. (PROC MEANS)
b) uložte výstup procedury (bez specifikace ukládaných údajů)
do tabulky a porovnejte výstup bodu a) a b).
4. Z tabulky Sales1 z úkolu 2 vytvořte kontingenční tabulku s absolutními četnostmi a
řádkově a sloupcově podmíněnými relativními četnostmi. Řádková dimenze bude
tvořena kartézským součinem hodnot sloupce hire_age formátovaného pomocí
HireAge (včetně souhrnu (all)) a hodnot sloupce country. Sloupcová dimenze bude
tvořena hodnotami sloupce gender. (PROC TABULATE)
63
Úkoly
5. Z tabulky Sales1 z úkolu 2 vytvořte kontingenční tabulku, která bude obsahovat
minimum, medián a maximum příjmu (salary). Řádková dimenze bude tvořena
kartézským součinem hodnot sloupce hire_age formátovaného pomocí HireAge a
hodnot sloupce country. Sloupcová dimenze bude tvořena hodnotami sloupce
gender. U řádkové i sloupcové dimenze včetně všech souhrnů („all“). To vše ve
formátu pdf se stylem sasweb. (PROC TABULATE)
64
Úkoly
6. Analyzujte (zajímá nás základní sada popisných statistik, test pro charakteristiku
polohy, kvantily, odlehlá pozorování) sloupec salary z tabulky Sales. Vytvořte
výstup ve formátu rtf se stylem sasweb. (PROC UNIVARIATE)
Moments
N 165 Sum Weights 165
Mean 31160.1212 Sum Observations 5141420
Std Deviation 20082.6671 Variance 403313519
Skewness 8.16761992 Kurtosis 78.5622611
Uncorrected SS 2.26351E11 Corrected SS 6.61434E10
Coeff Variation 64.4499006 Std Error Mean 1563.43352
Basic Statistical Measures
Location Variability
Mean 31160.12 Std Deviation 20083
Median 27425.00 Variance 403313519
Mode 26600.00 Range 220480
Interquartile Range 2825
Tests for Location: Mu0=0
Test Statistic p Value
Student's t t 19.93057 Pr > |t| <.0001
Sign M 82.5 Pr >= |M| <.0001
Signed Rank S 6847.5 Pr >= |S| <.0001
Quantiles (Definition 5)
Quantile Estimate
100% Max 243190
99% 108255
95% 32985
90% 31750
75% Q3 29385
50% Median 27425
25% Q1 26560
10% 25965
5% 25680
1% 25110
0% Min 22710
Extreme Observations
Lowest Highest
Value Obs Value Obs
22710 131 84260 165
25110 111 87975 2
25125 104 95090 163
25185 49 108255 1
25275 50 243190 64
65
Cvičení 8
66
Detaily k řešení úkolů najdete v Helpu nebo např. na:
http://www2.sas.com/proceedings/forum2007/163-2007.pdf
http://support.sas.com/documentation/cdl/en/graphref/63022/HTML/default/vie
wer.htm#legendchap.htm
http://www2.stat.unibo.it/manualisas/gref/c06.pdf
http://www.nesug.org/proceedings/nesug08/np/np05.pdf
http://support.sas.com/sassamples/graphgallery/PROC_GMAP.html
http://support.sas.com/documentation/cdl/en/graphref/63022/HTML/default/vie
wer.htm#a000729027.htm
67
1. Z údajů v tabulce Sales1
(cviční 7, úkol 2), vytvořte
bodový graf závislosti
hire_age na birth_date s
rozlišením pohlaví
(gender). Graf doplňte o
regresní přímky a upravte
vzhled podle vzoru (PROC
GPLOT)… formát x-ové osy
mmddyy10., tloušťka reg.
přímek = 5, font popisu os i
legendy = (arial bold, výška
12 bodů, resp. 10 bodů u
„regression lines“), font
hodnot na osách a hodnot v
legendě= (arial bold, výška
10 bodů), výška nadpisu =
12 bodů.
68
2. Z údajů v tabulce
Sashelp.workers vytvořte
graf počtu elektrikářů
(electric) a počtu zedníků
(masonry) v čase(date).
Upravte vzhled podle vzoru
(PROC GPLOT s overlay)…
formát x-ové osy
mmddyy10., tloušťka křivek
= 5, font popisu os = (arial
bold, výška 12 bodů), font
hodnot na osách a hodnot v
legendě= (arial bold, výška
10 bodů), výška nadpisu = 12
bodů, offset legendy = 1%.
69
3. Z údajů v tabulce Customers
vytvořte koláčový 3D graf
relativního zastoupení typů
zákazníků (customertype).
Upravte vzhled podle vzoru
(PROC GCHART)… výška
hodot v grafu =12 bodů, font
hodnot v legendě= (arial
bold, výška 10 bodů), font
nadpisu v legendě= (arial
bold, výška 10 bodů), offset
legendy = 1%.
70
4. Z údajů v tabulce
sashelp.zipcode a s
využitím tabulky
maps.us, vytvořte
kartodiagram zobrazující
počet zip kódů v
jednotlivých státech USA.
Barevnost sloupců
uvažujte v 5-ti úrovních
(levels=5) a výšku sloupce
zobrazte relativně k
nulovému počtu, ne k
minimálnímu (relzero).
(PROC GMAP).
71
5. Z údajů v tabulce czdata a s
využitím tabulky
czkraj_map, vytvořte
kartodiagram/kartogram
zobrazující:
a) počet psč kódů v
jednotlivých obcích ČR
b) počet psč kódů v
jednotlivých krajích ČR
c) součet ploch obcí v
jednotlivých krajích ČR.
Barevnost sloupců uvažujte v
5-ti úrovních (levels=5) a
výšku sloupce zobrazte
relativně k nulovému počtu,
ne k minimálnímu (relzero).
(PROC GMAP).
72
Cvičení 9
73
1. Vygenerujte data pro cvičení
pomocí gen_data_reg.sas.
Následně pro tabulku fitness
vytvořte pdf report (použijte
style=journal) obsahující, mimo
jiné, korelační koeficienty
sloupce Oxygen_Consumption
se všemi ostatními číselnými
sloupci seřazené v absolutní
hodnotě od největšího po
nejmenší. Současně vytvořte
bodové grafy závislosti
Oxygen_Consumption na všech
ostatních číselných proměnných.
Nadpis (title) nastavte např. na „
Correlations and Scatter Plots
with Oxygen_Consumption“
(PROC CORR).
74
2. Vytvořte html report
(style=statistical) obsahující
korelační matici všech
číselných proměnných
tabulky fitness, mimo
Oxygen_Consumption ,
(včetně p-hodnot testu
nulovosti korelačních
koeficientů) a matici
bodových grafů s histogramy
na diagonále (PROC CORR).
75
3. Vytvořte regresní model popisující
závislost Oxygen_Consumption na
RunTime v tabulce finess. Vykreslete
všechny grafy poskytující prostředí ods
graphics (PROC REG).
3b. Vypište 100(1-α)% konfidenční limity pro
jednotlivé predikované hodnoty a pro
očekávané hodnoty závisle proměnné.
76
4. Vytvořte tabulku Need_Predictions
obsahující hodnoty 9 až 13. Spojte tuto
tabulku s tabulkou fitness. Nad takto
vzniklou tabulkou vytvořte regresní
model popisující závislost
Oxygen_Consumption na RunTime.
Výstup má obsahovat, mimo jiné,
predikovanou hodnotu a proměnnou
RunTime (PROC REG).
4b. Vytvořte stejný model nad tabulkou
fitness s tím, že regresní koeficienty
uložíte do tabulky Betas. Následně,
pomocí procedury SCORE, proveďte
predikci pro hodnoty tabulky
Need_Predictions a výsledek vypište
(PROC SCORE).
77
5. Vytvořte regresní model nad tabulkou fitness popisující závislost proměnné
oxygen_consumption na proměnných Performance, RunTime, Age,
Weight, Run_Pulse, Rest_Pulse a Maximum_Pulse tak, že uvážíte všechny
možné kombinace vysvětlovaných proměnných.
78
6. Vytvořte regresní model nad tabulkou fitness
popisující závislost proměnné
oxygen_consumption na proměnných
Performance, RunTime, Age, Weight,
Run_Pulse, Rest_Pulse a Maximum_Pulse
tak, že postupně použijete metodu forward,
backward a stepwise. Výsledky porovnejte.
79
Cvičení 10
80
Detaily k řešení úkolů najdete v Helpu nebo např. na:
http://support.sas.com/documentation/cdl/en/statug/63033/HTML/default/viewer.
htm#statug_logistic_sect004.htm
 http://www.math.wpi.edu/saspdf/stat/chap39.pdf
 http://www.ats.ucla.edu/stat/sas/seminars/sas_logistic/logistic1.htm
81
1. Vygenerujte data pro cvičení pomocí
gen_data_reg.sas (stačí tabulka sales).
Pomocí data stepu vytvořte z tabulky sales
tabulku sales_inc, ve které vznikne nový
sloupec IncLevel překódováním hodnot
sloupce Income (Low=1, Medium=2, High=3).
Následně z hodnot tabulky sales_inc
vytvořte logistický model vysvětlující
proměnnou Purchase pomocí proměnné
Age. (PROC LOGISTIC).
• Pravděpodobnost jaké hodnoty
proměnné Purchase jste modelovali?
• Bylo splněno konvergenční kriterium pro
odhad koeficientů?
• Jaká je hodnota koeficientů?
• Jaká je jejich statistická významnost?
• Jaká je kvalita modelu (Somers’D)?
82
2. Tentokrát vytvořte logistický model
vysvětlující proměnnou Purchase pomocí
proměnné Age, s tím že modelovaná bude
pravděpodobnost pro hodnotu ‘1’. Navíc
vykreslete ROC křivku. (PROC
LOGISTIC).
• Jak se změnily koeficienty?
• Jak se změnily ostatní údaje popisující
model?
83
3. Vytvořte logistický model vysvětlující
proměnnou Purchase pomocí
proměnné Gender, s tím že
modelovaná bude pravděpodobnost pro
hodnotu ‘1’. Navíc vykreslete ROC křivku
a přidejte výpis konfidenčního intervalu
pro poměr šancí (PROC LOGISTIC).
• Jaké jsou koeficienty modelu?
84
4. Vytvořte logistický model vysvětlující proměnnou
Purchase pomocí proměnné Gender, s tím že
modelovaná bude pravděpodobnost pro hodnotu ‘1’.
Ponechte kódování typu effect, ale za referenční hodnotu
nastavte ‘Female’. Navíc vykreslete ROC křivku a přidejte
výpis konfidenčního intervalu pro poměr šancí (PROC
LOGISTIC).
• Co se změnilo oproti př. 3 (designová matice,
koeficienty, Somers’D, ROC,…)?
85
5. Vytvořte logistický model vysvětlující proměnnou Purchase
pomocí proměnných Gender, Income a Age, s tím že
modelovaná bude pravděpodobnost pro hodnotu ‘1’. Změnte
kódování klasifikačních proměnných na typ reference a za
referenční hodnoty nastavte ‘Male’ a ‘Low’. Navíc vykreslete ROC
křivku a ‘EffectPlot’. Model vytvořte pomocí backward metody.
Vypište korelační matici (PROC LOGISTIC).
86
6. Vytvořte logistický model vysvětlující proměnnou Purchase
pomocí proměnných Gender, Income a Age, s tím že modelovaná
bude pravděpodobnost pro hodnotu ‘1’. Změnte kódování
klasifikačních proměnných na typ reference a za referenční
hodnoty nastavte ‘Male’ a ‘Low’. Do modelu zahrňte také všechny
interakce proměnných do druhého řádu. Navíc vykreslete ROC
křivku a ‘EffectPlot’. Model vytvořte pomocí backward metody.
Vypište detaily týkající se všech kroků výpočtu (opt. details)
(PROC LOGISTIC).
87
Cvičení 11
88
1. Použijte tabulku sales_inc z minulého cvičení. Vytvořte
logistický model vysvětlující proměnnou Purchase pomocí
proměnných Gender, Income a Age, s tím že modelovaná bude
pravděpodobnost pro hodnotu ‘0’. Změnte kódování
klasifikačních proměnných na typ reference a za referenční
hodnoty nastavte ‘Male’ a ‘Low’. Vykreslete ROC křivku a
‘EffectPlot’. Model vytvořte pomocí backward metody. Vypište
korelační matici (PROC LOGISTIC). Dále zjistěte hodnotu KS
statistiky a vykreslete empirické distribuční funkce získaného
skóre pro hodnoty proměnné Purchase (PROC NPAR1WAY).
Nakonec vypište tabulku s hodnotami absolutního a
kumulativního Liftu pro decily skóre a vykreslete příslušný graf.
89
90