Tento učební text vznikl
za přispění Evropského
sociálního fondu a
státního rozpočtu ČR
prostřednictvím
Operačního programu
Vzdělávání pro
konkurenceschopnost v
rámci projektu
Univerzitní výuka
matematiky v měnícím
se světě
(CZ.1.07/2.2.00/15.0203).
Obsah:
1. Úvod do práce v SAS.
2. Knihovny, tabulky, import.
3. Úvod do SQL.
4. Proc SQL – pokračování.
5. SAS functions a CALL routines, SAS data step.
6. SAS formáty, podmíněné kódy, cykly, pole.
7. Spojování tabulek, transpozice.
8. Kontingenční tabulky, PROC FREQ, PROC UNIVARIATE.
9. SAS/GRAPH. Úvod do SAS EM (data miner).
10. PROC CORR, PROC REG, PROC SCORE.
11. PROC LOGISTIC.
12. Evaluace prediktivního modelu.
4
28
41
50
59
70
80
88
94
112
119
127
4
Cvičení 1
5
Sofware SAS
Aktuálně k dispozici:
 SAS 9.3 TS1M2, Rev. 930_12w41 for
 Microsoft® Windows® Workstation & Server 32-bit
 Microsoft® Windows® Server & Workstation for x64
 Linux® for X64
 SAS EAS
 Credit Scoring for SAS Enterprise Miner
 SAS Enterprise Guide
 SAS Enterprise Miner Personal Client
 SAS Enterprise Miner Server, including the products:
• SAS Enterprise Guide
 SAS Forecast Server
 SAS Metadata Server
 SAS Text Analytics for Czech
 SAS Text Miner Server
 JMP Pro (Microsoft® Windows® for x64, JMP 10.0.1 TS1M2, Rev. 930_12w41)
6
Sofware SAS
SAS EAS:
Education Analytical Suite = Base SAS®, SAS/ACCESS®
rozhraní (pro všechny databáze), SAS/AF®, SAS/ASSIST®,
SAS® Bridge for ESRI, SAS/CONNECT®, SAS/EIS®, SAS®
Enterprise Guide®, SAS/ETS®, SAS/FSP®, SAS/GRAPH®,
SAS/IML®, SAS/INSIGHT®, SAS/Integration Technologies®,
SAS/LAB®, SAS/OR®, SAS/QC®, SAS/SECURE®,
SAS/SHARE®, SAS/STAT®
7
Instalační soubory, licenční podmínky
 Instalační soubory SASu (v.9.3) jsou k
dispozici všem studentům a učitelům MU
na adrese
https://inet.muni.cz/app/soft/licence.
 Před vlastním zobrazením stránky s
inst. soubory je nutné odsouhlasit
licenční podmínky.
 Plný instalační depot 23 GB!
8
Instalační soubory, licenční podmínky
 K dispozici i návody pro instalaci
9
Instalační soubory, licenční podmínky
 Dále je třeba stáhnout SID
files, ve kterých je uložena
informace o platnosti licence a
umožní fungování SASu.
Instrukce, jak tyto soubory
použít, je součástí stahovaného
souboru.
10
Instalační soubory, licenční podmínky
 Instalační soubory SASu (v.9.2) 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.
11
Instalační soubory, licenční podmínky
 Po odsouhlasení licenčních podmínek jsou k dispozici zkomprimované
instalační depa pro OS Windows 32/64bit a Linux 32/64bit.
12
Práce v SAS -server
 Pro studenty (i vyučující) je dostupný SAS na 12 PC ve verzi 9.2
pro Linux+Windows (virtuálních) a dalších 24 PC ve verzi Linux.
 Dále je k dispozici serverová verze 9.3 nainstalovaná na Citrix.
 Výuka probíhá ve verzi Windows na Citrixu.
link na přihlášení
se na server Citrix
Screenshot (výřez)
pracovní plochy:
13
Práce v SAS – lokální verze
 Na PC (v učebně MP2) je SAS k dispozici lokálně ve verzi 9.2
pro Linux+Windows (virtuálních)
 V učebně MP1 je SAS k dispozici lokálně ve verzi 9.2. pro Linux.
link na verzi „windows“
link na vezi linux
Screenshot (výřez)
pracovní plochy:
14
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.
15
 Po spuštění Windows ve
virtuálním prostředí je třeba se
přihlásit do domény.
Práce v SAS – verze 9.2 pro windows
 Po přihlášení je k dispozici:
 SAS 9.2
 SAS Enterprice Guide 4.3
 IML Studio 3.3
16
Práce v SAS – verze 9.2 pro 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.
17
Enterprice Guide
 Nejprve je třeba vytvořit nový projekt.
18
Enterprice Guide
 Načteme data (customer.sas7bdat – studijní materiály v ISu)
19
Enterprice Guide
 Lze přepnout zpět na Process Flow
 Zobrazí se datová tabulka:
20
Enterprice Guide
 V záložkách si lze vybrat z řady úloh (kont./frekvenční tabulky,
grafy, ANOVA, regrese,…):
21
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.
22
Enterprice Guide
 V záložce „Summary Tables“ nadizajnujeme kontingenční tabulku:
23
Enterprice Guide
 Po kliknutí na „Preview code“ se zobrazí okno se SASovským
kódem, který lze upravovat nebo zkopírovat a použít v
programovacím prostředí SASu.
24
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“
25
Enterprice Guide
 V Process Flow přibude uzel pro zvolenou úlohu (Summary Tables)
a uzel s výsledky.
1. V SAS EG Vytvořte kontingenční tabulku pro prom. Country a
Gender (tabulka customer) obsahující absolutní a relativní
četnosti včetně řádkově a sloupcově podmíněných relativních
četností.
2. Vytvořte koláčový graf pro prom. Country se zobrazením
relativních četností.
26
Úkoly
27
Úkoly
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…)
28
Cvičení 2
29
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";
30
Libname
• Základní knihovny jsou Maps,
Sashelp, Sasuser a Work
Libname _234567 "D:\dukumenty\Data_Mining_1";
31
Libname
• „Knihovnu“ lze smazat ….smaže se pouze odkaz (na disku se nic
fyzicky nemaže), přesto je třeba akci potvrdit.
32
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,…)
33
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!!!
34
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).
35
Import v SAS EG
• Pomocí File - Open – Data
• nebo File – Import Data
36
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.
37
Import v SAS EG
• Lze nastavit kódování, oddělovač sloupců (čárka, středník,
tabulátor,…), info zda první řádek obsahuje názvy sloupců,…
38
Import v SAS EG
• Lze ručně nastavit názvy sloupců a jejich formáty.
39
Úkoly
1. Vytvořte si svoji 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 sloupci 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.
40
Úkoly
3. Pomocí ODS vytvořte html, rtf a pdf
soubor obsahující výpis tabulky Cars –
zajímá nás značka, název modelu a výkon
automobilů. Výpis filtrujte jen na typ
„Truck“ (where Type EQ ‘Truck’).
41
Cvičení 3
42
• Úkolem je např. vypsat zákazníky, kteří
mají záznam v tabulce A a nemají záznam v
tabulce B. V tomto případě lze využít left
join a faktu, že záznamy z tabulky B, které se
nepodaří propojit z tabulkou A, budou mít
null (missing) hodnotu u propojovací
proměnné. Je jen potřeba myslet na to že
null hodnota je u:
• textové prom. reprezentována pomocí ‘’.
• numerické prom. pomocí tečky, tj. „.“
Množinový rozdíl při spojování tabulek
43
• Pro předchozí úlohy lze využít i vnořeného dotazu.
• Vnořený dotaz není nic jiného, než příkaz SELECT vnořený do jiného příkazu
SELECT. Vnořené dotazy využijeme tam, kde potřebujeme nejprve zjistit nějakou
informaci a v závislosti na ní zjistit pak informace další.
• Např. :
Více na:
http://interval.cz/clanky/sql-vnorene-dotazy/
Vnořený dotaz (vnořený select)
SELECT jmeno, prijmeni
FROM platy
WHERE plat > (SELECT mean(plat) FROM platy)
SELECT nazev, cena
FROM kniha, vytisk
WHERE kniha.id = vytisk.publikace_id
AND cena = (SELECT MIN(cena) FROM výtisk)
44
• Vnořený dotaz může vracet i více než jen jednu hodnotu.
• Např. dotaz na názvy knih vydaných v týchž letech, jako díla Aloise Jiráska
Více na:
http://interval.cz/clanky/sql-vnorene-dotazy/
Vnořený select
SELECT název
FROM kniha, autoři, napsané_knihy, výtisk
WHERE kniha.id = napsané_knihy.publikace_id
AND napsané_knihy.autor_id = autoři.id
AND kniha.id = výtisk.publikace_id
AND rok IN
( SELECT rok
FROM autoři a, výtisk v, napsané_knihy n
WHERE a.id = n.autor_id
AND n.publikace_id = v.publikace_id
AND a.jméno LIKE 'Alois'
AND a.příjmení LIKE 'Jirásek'
)
45
• Další možnosti vnořených dotazů dává použití operátorů NOT, ALL, ANY.
• Např. :
Více na:
http://www.amadeus.co.uk/sas-technical-services/tips-and-techniques/sql/using-the-any-and-all-operators-in-proc-sql/
Vnořený select
proc sql;
select name, sales
from mozart_shoes
where sales gt any (select sales
from top_brands);
quit;
proc sql;
select name, sales
from mozart_shoes
where sales not lt all (select
sales from top_brands);
quit;
46
• Typicky jde o situace, kdy
• jedno ID záznamu (klienta) má více záznamů (klientů)
• jeden záznam (klient) má více ID záznamu (klienta)
• jeden klient má více ID záznamu (např. 2 (více) záznamy (ů) se
liší ve jméně klienta jen díky překlepu)
• …
Duplicity
47
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.
48
Úkoly
3. Zjistěte kolik zákazníků (unikátních ID) z tabulky customers
a) má nějaký záznam v tabulce customerorders ,
b) kolik jich tam nemá žádný záznam
c) a zda tabulka customers neobsahuje duplicity.
49
Úkoly
4. Pomocí vnořeného dotazu vypište ID zákazníků a
celkový objem prodeje zákazníků z tabulek
customers a customerorders, kteří mají celkový
objem prodeje větší než je průměrný objem prodeje
příslušný jednomu zákazníkovi. Výstup seřaďte
sestupně podle spočteného objemu prodeje.
Nastavte vhodný label a formát objemu prodeje
nastavte na dollar12.2.
50
Cvičení 4
51
• 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
52
• 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;
53
• 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;
54
• 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;
55
Úkoly
1. Vypište prvních 5 záznamů tabulky customers.
2. 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.
56
Úkoly
3. Do takto (úkol 2) vytvořené tabulky přidejte řádky splňující
předchozí podmínky s tím rozdílem, že příjmení začíná
písmenem „H“.
57
Úkoly
4. 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.
58
Úkoly
5. Vytvořte tabulku obsahující všechny údaje tabulky customorders a navíc
nový 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
59
Cvičení 5
60
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.
61
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:
62
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: 63
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)
64
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
65
Úkoly
1. 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.
66
Úkoly
2. Vytvořte tabulku sales0 (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).
67
Úkoly
3. 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.
68
Úkoly
4. Pomocí data stepu vytvořte tabulku sales2 obsahující prvních pět
sloupců a řádky tabulky sales splňující podmínky: Gender = „M“,
Salary > 30 000.
69
Úkoly
5. Pomocí data stepu vytvořte tabulku sales3 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
70
Cvičení 6
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:
71
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:
72
PUT function
http://support.sas.com/documentation/cdl/en/lrdict/64316/HTML/default/viewer.htm#a000199354.htm
PUT(source, format.)
73
Úkoly
1. Vytvořte formát …1=‘Leden’, 2=‘Únor’, other=‘ostatní’. Pomocí něj
v tabulce Customerorders transformujte sloupec OdrerDate a
vypište (proc sql) celkový úhrn tržeb (format dollar12.2) pro
skupiny nově vytvořeného sloupce. Výpis seřaďte podle
vypočteného úhrnu tržeb sestupně.
74
Úkoly
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.
75
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.
76
Úkoly
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.
Následně zjistěte absolutní četnosti jednotlivých hodnot sloupce Level.
77
Úkoly
5. Z tabulky USemps pomocí data stepu vytvořte tabulku Retire 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%.
78
Úkoly
6. Vytvořte tabulku retire1 (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. Následně ji vypište
(proc sql) s vhodnými názvy (label) sloupců.
79
Úkoly
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.). Výstup seřaďte sestupně podle zjištěného rozdílu
mezi daty nákupu.
80
Cvičení 7
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:
81
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:
82
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;
83
Úkoly
1. Předpokládejte, že je prosinec roku 2001. Máte za úkol určit roční bonus
zaměstnanců (tabulka USemps). Za každý započatý rok přísluší zaměstnanci
$50, nejvýše však $500. Služebně nejstarší zaměstnanci každého oddělení
(EmployeeDepartment) dostanou navíc $100.
84
Úkoly
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).
85
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.
86
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
customer_ID a sloupce (s vhodnými názvy) obsahující výši
nákupů/objednávek v jednotlivých měsících v roce (pomocí transpose).
87
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.
88
Cvičení 8
89
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)
90
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).
91
Úkoly
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)
92
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)
93
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
94
Cvičení 9
 Nejprve je potřeba otevřít projekt (vytvořit nový).
Práce v SAS EM
 Namapujeme knihovnu s daty.
…
 Namapujeme knihovnu s daty.
 Vytvoříme datový zdroj.
…
 Vytvoříme datový zdroj.
…
 Vytvoříme datový zdroj.
…
 Vytvoříme datový
zdroj.
 lze definovat role,
datové typy,…
 lze vytvořit náhodný
výběr z dat.
…
 Vytvoříme datový zdroj.
 Vytvoříme diagram.
 A můžeme začít vytvářet procesní tok.
 Prvním krokem je vložení dat (přetažením z datových zdrojů).
105
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
106
1. Z údajů v tabulce Sales1
(cviční 8, 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.
107
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%.
108
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%.
109
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).
110
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).
111
5. V SAS EM vytvořte projekt, načtete
tabulku accepts.sas7bdat.
Vytvořte histogram pro věk (age)
vs. Bad30 (pomocí MultiPlot), graf
zobrazující relativní zastoupení
pohlaví (sex) pro varianty hodnot
Bad30 (pomocí StatExplore). Dále
vytvořte tabulku (pomocí
StatExplore – Cross-Tabulation)
pro pohlaví*kategorie věku dle
vzoru.
112
Cvičení 10
113
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).
114
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).
115
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.
116
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).
117
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.
118
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.
119
Cvičení 11
120
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
121
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)?
122
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?
123
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?
124
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,…)?
125
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).
126
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).
127
Cvičení 12
128
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.
129
130