关于PDV的那些事

数据集中的数据来源分为两种：

一、来自于另一个数据集；

二、来自于外部数据源（本文细说此来源）；

无论是哪种来源，在它们成为目标数据集中的观测行（官方叫它observation）之前都要进入PDV,先成为准观测行。

这里可以形象的把PDV 看作一个数据容器，在该容器中的数据即将成为目标数据集中的观测。先来一段小程序如下：

 

OPTIONS USER=TEMP LS=MAX PS=MAX NOCENTER;
DATA A;
    INPUT X1 X2;
    CARDS;
    1 2
    3 4
    5 .
    . 6
    ;
RUN;
DATA B C D;
    IF _N_=1 THEN OUTPUT B;
    IF _N_=2 THEN OUTPUT C;
    SET A;
    IF _N_=1 THEN OUTPUT D;
    Y=X1+X2;
    RUN;
PROC PRINT DATA=A;
RUN;
PROC PRINT DATA=B;
RUN;
PROC PRINT DATA=C;
RUN;
PROC PRINT DATA=D;
RUN;

 

运行一段代码可以分两个阶段：编译阶段和执行阶段。而PDV这个容器的建立就是在编译阶段了，上面这段程序编译时就创建好了PDV容器，而在PDV成型之前就现在当前的DATA步里面搜索存在的变量（包括SET语句中数据集的变量），同时也获取每个变量的类型，长度等。继而PDV会存好每个变量的名称，并预留存放数据的空间。

在第二个DATA步中的PDV为：

其中_N_和_ERROR_是两个自动的变量，在存入目标数据集后会自动消失，_N_记录当前的记录条数，_ERROR_标记当前有无错误字段。

以上为编译阶段，下面是执行阶段。

在执行一开始，就为PDV各空间进行赋值，制为：

 

因为是第一条准观测，所以其中_N_为1,开始默认没有错误，所以 _ERROR_为0，其余的个变量值通通置为MISSING状态值。

代码中的B数据集由于还没走到SET步就被输出，所以变量都还没有赋值，所以B数据集中只有一条观测值，并且都为空 ，如图：

程序继续走到IF _N_=2步满足条件，继续走到SET语句，给X1 X2赋值，走到IF _N_=1这条语句,此时PDV状态为如图：

故数据集D输出为：

 

然后走到Y运算语句，继而给Y进行赋值，此时PDV状态为如图：

走到下一步到RUN语句，由于前面程序中出现了OUTPUT语句，所以在RUN语句执行时，不输出。

然后到了第二轮执行了。进入DATA步，_N_置为2，_ERROR_先置为0，而，SET数据集中出现的变量值不变（自带RETIAN功能！！！），然而DATA步中新建的变量要被置为MISSING状态，所以此时PDV状态为：

说明此状态是还没有走到SET语句时的状态！还仅仅是第二轮的初始状态，走到了IF _N_=2时，C数据集的输出结果为：

走到SET语句时PDV中内容替换了X1，X2的值为：3 4。PDV的状态为:

当执行到Y运算时Y的置才有MISSING 值替换为7，PDV为：

接下来一次类推。

注意，SET数据集中的字段有自带的RETIAN功能，而DATA步中新建的变量PDV都会认为初始值为MISSING值。

 

 

说到PDV，还有一点关于PDV的应用，first.X1

OPTIONS USER=TEMP LS=MAX PS=MAX NOCENTER;
DATA A;
    INPUT X1 X2;
    CARDS;
    1 2
    1 3
    1 5
    3 4
    4 7
    3 0
    4 8
    3 9
    5 0
    . 6
    ;
RUN;
PROC SORT;
    BY X1 X2;
RUN;
DATA B;
    SET A;
    BY X1;
    IF FIRST.X1;
    RUN;
PROC PRINT;
RUN;

以上的代码中，因为DATA步中出现了BY语句，所有PDV会总动在末尾创建两个临时变量名为：FIRST.X1和LAST.X1。若当前观测是以X1变量一组中的第一条观测时，FIRST.X1置为1否则为0。LAST.X1同理，如当前观测为一组中的最后一个观测则置为1，否则为0。可想象所有PDV合起来是如下图所示的：

DATA步中有IF语句筛选FIRST.X1为>0的观测，所以执行结果如下：