简介：《小白学SAS基础教程》是一份面向零基础SAS学习者的入门读物，采用对话体跟随“小白”的探索过程展开，针对命令繁杂、传统教材偏重语法罗列、初学者难以联系实际工作等痛点，强调以解决实际问题为导向，适合需要建立数据分析基础并提升SAS操作效率的读者。压缩包内共1个PDF文件，大小约1.76MB，结构单一，便于在电脑或移动设备上直接阅读、检索与标注。内容主要覆盖数据集建立的基础与高级议题、常用函数的使用思路、数据清洗中的缺失值异常值与重复值处理，以及SAS绘图和制表方法，并借案例说明命令背后的逻辑、变量修饰和输入输出格式等实用细节。已有709人学习，可作为从零入门SAS、补足数据处理与报表呈现短板的案头参考。
1. 从一份教程说起：零基础学 SAS 基础入门，卡点往往不在语法
“SAS 基础入门”这几个字最容易让人误判：多数人以为难点是记不住命令，实际卡住的是不知道一条命令对应工作里的哪一步。这份教程没有按软件功能铺开讲，而是按数据整理、作图、制表三件事组织，从建第一个数据集一路做到三线表导出。它适合完全没碰过 SAS、手里已经有业务数据要处理的人，也适合学过一点语法、只会照着 Help 改参数的老手，用来看别人怎么把命令落到具体任务上。
2. 数据步落地：data、input、cards 到底在干什么
2.1 Work 逻辑库与永久数据集：先想清楚数据活多久
SAS 启动后资源管理器里默认能看到几个逻辑库，其中 Work 是留给用户存放数据的空目录，其余大多装着软件自带的数据或帮助文件。Work 的问题很直接：关掉 SAS 就清空，前一天建好的数据集第二天打开就没了，这类数据集叫临时数据集。要保住数据，得先用 libname 把某个磁盘目录挂成逻辑库，再把数据集写成“库名.数据集名”的两段式名字。
/* 把磁盘目录挂成逻辑库，路径按自己的环境改 */ libname prj "/sasdata/prj"; /* 两段式命名写入永久库，关闭 SAS 后文件仍在 */ data prj.scores; input gender $ age score; datalines; M 30 88 F 24 92 M 27 75 ; run;这段代码里，libname 只负责建立“库名到目录”的映射，不创建数据；data 后面跟两段名，SAS 才知道往 prj 指向的目录写物理文件。很多人第一次跑完发现 Work 里没有数据集，就是因为写成了 prj.scores，文件已经落到磁盘目录里了。libname 属于会话级设置，新开一个 SAS 会话要重新提交，或者把它写进启动时自动执行的程序里，否则第二次打开会报“逻辑库不存在”。我一般会在项目根目录放一个 libname.sas，每次开工先跑它，省得反复排查路径。
提示：路径分隔符跟操作系统走，Windows 下写成 "D:\sasdata\prj"，Linux 下用 "/sasdata/prj"，混用会直接报物理文件不存在。
2.2 data、input、cards 三件套：最小可用数据集的结构
SAS 程序由数据步和程序步两类构成。数据步用 data 开头、run 结尾，中间靠 input 声明变量、cards（或 datalines）引出数据行；程序步用 proc 开头，做排序、统计、绘图、制表这些动作。这个结构看着朴素，但它是后面所有清洗和报表的地基，输入环节错了，后面每一步都在错误数据上加工。
data work.first; input id $ gender $ age; cards; A001 M 30 A002 F 24 ; run;逐项拆开看：data 给数据集起名，规则是英文、数字、下划线组成，首字符不能是数字，长度不超过 32 个字符，不能含空格和中文；input 按顺序声明变量，变量名后面加 $ 表示字符型，不加默认数值型；cards 告诉 SAS 下面是数据行，数据行结束后单独一行写分号。分号在 SAS 里是语句结束符，写成中文分号或者漏写，日志里立刻标红。变量多的时候 input 一行写不下可以换行，SAS 会一直读到分号才认为语句结束。
数据量大的场景，一般不会在编辑器里手敲。常见做法是先把数据录进 Excel 或数据库，再用导入功能或 proc import 读进来，SAS 本身不是数据录入工具，几千行手输的效率和对齐风险都不划算。
2.3 informat 管读、format 管看：日期和金额最容易翻车
初学者最容易在日期上翻车：屏幕上显示 2024-03-15，以为变量就是日期，结果一排序全乱。SAS 里日期本质是一个数值，记录的是距离 1960 年 1 月 1 日的天数，format 只是把这个数字渲染成看得懂的样子。读入时决定解析规则的叫 informat，显示时决定外观的叫 format，两者分开设置，这是理解 SAS 数据类型的关键。
data prj.orders; /* informat 决定怎么读进来 */ informat order_id $8. order_dt yymmdd10. amount comma12.; /* format 决定怎么显示出来 */ format order_dt yymmdd10. amount dollar12.2; input order_id $ order_dt : yymmdd10. amount : comma12.; datalines; A001 2024-03-15 1,280.50 A002 2024-03-16 980.00 ; run;这段里出现了冒号修饰符。带冒号的格式化输入表示“按这个格式读，但遇到分隔符就停”，不加冒号时 SAS 会严格按固定宽度切字符，容易把下一个字段的前几位吞进来。金额里的千分位逗号必须靠 comma12. 这类 informat 处理，用默认数值输入读到逗号就截断，1,280.50 会变成 1 或者直接报错。字符变量含空格时还有 & 修饰符，它要求数据之间用两个以上空格分隔，适合“张 三”这种带内部空格的姓名，用错修饰符的表现是字段整体错位。
注意：format 不改变存储值。给数值套上 dollar12.2 只是显示成 $1,280.50，参与计算的仍然是 1280.5，这一点在导出和比对时经常被误解。
自定义格式能把业务规则固化下来，省掉每次写 if-then。数值分段、字符映射用 value 语句，带百分号、带单位前缀这类显示模板用 picture 语句。
proc format; value agegrp low - 29 = "29岁及以下" 30 - 39 = "30-39" 40 - high = "40及以上"; picture pct low-high = '009.9%' (mult=100); run; data work.raw_fmt; set prj.orders; age_grp = put(age, agegrp.); amount_pct = amount / 100000; format amount_pct pct.; run;value 定义的是离散映射，区间用 low、high 表示开区间端点；picture 的 mult=100 表示显示前先乘 100，0.123 显示成 12.3%。put 函数把格式套到变量上生成字符结果，适合需要把分组结果当字符用的场景；如果只是想让报表好看，直接 format 语句挂格式即可，不必新建变量。
2.4 产生新变量的四条路：if-then、retain、数组、round 分组
新变量不是随便赋值就完事，得先想清楚它是逐行独立计算，还是要跨行累计，还是要对一组变量批量处理。逐行判断用 if-then，跨行累计用 retain 加 sum 语句，批量处理用数组加 do 循环，分组标签用 round 配合 put。
data work.calc; set prj.scores; length level $6; /* 逐行判断：互斥分支，注意 else 的覆盖顺序 */ if score >= 90 then level = "A"; else if score >= 80 then level = "B"; else level = "C"; /* 跨行累计：retain 让变量在迭代之间保留上一行的值 */ retain total 0; total = sum(total, score); /* 数值分组：先除以组距再四舍五入，最后乘回去 */ age_grp = round(age / 10) * 10; run;retain 的行为值得单独说：数据步每次读入新观测，普通变量会被重置为缺失，retain 声明的变量保留上一次迭代结束时的值。写累计逻辑时用 sum() 而不是加号，是因为 sum() 遇到缺失值会跳过，加号遇到缺失值直接传染成缺失，这是清洗阶段很实用的一条习惯。round 的第二个参数可以指定保留位数，round(age/10)*10 是把年龄归到最近的十位段，用 int() 或 floor() 会得到向下取整的另一种分段，两者业务含义不同，别混用。
数组适合变量成组出现的宽表，比如量表题 s1 到 s20 要统一把负数替换成缺失：
data work.wide; array sc[3] s1-s3; input id s1 s2 s3; do i = 1 to dim(sc); if sc[i] < 0 then sc[i] = .; end; drop i; datalines; 1 88 90 -1 2 70 . 65 ; run;array 语句把一组变量映射成带下标的数组，dim() 返回元素个数，循环里用 sc[i] 访问，改一处就能覆盖整组变量。drop i 去掉循环计数器，避免它混进最终数据集。数组声明的变量必须同类型，字符数组要在名字前加 $，这一点在混编数值和字符时会直接报错。
3. 数据清洗：去重、缺失值、异常值三套程序怎么改
3.1 set 与 merge：合并前必须先排序
纵向合并不要求排序，把结构相同的多张表摞起来用 set；横向合并要求按连接键排序，用 merge 加 by。两者的失败表现完全不同：set 出错多是变量类型冲突，merge 出错多是行数悄悄翻倍或者匹配不上。
proc sort data=prj.a out=work.a_s; by id; run; proc sort data=prj.b out=work.b_s; by id; run; data work.merged; merge work.a_s(in=a) work.b_s(in=b); by id; if a and b; /* 只保留两边都有的记录 */ run;in= 后面跟的变量是临时标志，取值为 1 表示当前观测来自该数据集，它只存在于数据步内，不会写进结果集。if a and b 等价于内连接，if a 是左连接，if not b 能找出只在左表出现的键。merge 前不排序，日志会报“BY 变量未按顺序排列”，结果可能只处理了一部分数据，这种报错属于必须停下来处理的那类，不能带着跑。
一对多关系要格外小心：左表一个 id 对应右表三条记录，merge 后左表那行会被复制成三行。做汇总前先用 proc freq 或 proc sql 数一下连接键的唯一性，比事后核对行数省事得多。
proc sql; select id, count(*) as n from prj.b group by id having n > 1; quit;这段查的是右表里重复的键，返回空结果才说明是一对一。习惯上我会在 merge 前后各记一次观测数，落差超出预期就先停下查键，而不是继续往下算。
3.2 查找与删除重复值：nodupkey 和 first./last. 的分工
去重有两个层次：整行完全重复，和按主键重复。整行重复用 nodup，按主键保留一条用 nodupkey，两者都依赖先排序。
proc sort data=prj.raw out=work.raw_s nodupkey; by id; run;nodupkey 保留排序后每个 by 组的第一条，后面的直接丢。它的风险在于“保留哪一条”取决于原始顺序，如果业务上要保留金额最大或者时间最新的一条，得先按规则排好序再执行，否则留下的可能是随手录的那条。
需要把重复记录挑出来核对，而不是直接删，用 first. 和 last. 更合适。这两个自动变量在 by 语句之后可用，标记当前观测是不是该 by 组的第一条或最后一条。
data work.dup_only; set work.raw_s; by id; if first.id and last.id then delete; /* 只留重复出现的 id */ run;first.id and last.id 同时为真，说明这个 id 只有一条记录，delete 把它去掉，剩下的就是出现两次以上的。反过来 if first.id 可以取每组第一条做去重保留，逻辑比 nodupkey 更可控，因为排序规则由自己定。
3.3 缺失值与异常值：数组加自动变量写通用扫描
缺失值扫描的通用思路是把所有数值变量和字符变量各挂一个数组，用 missing() 统一判断，再累加计数。missing() 对数值的 .、.A-.Z 和字符的空串都返回 1，比逐个写 if x = . 稳。
data work.miss_scan; set prj.raw; array num[*] _numeric_; array chr[*] _character_; miss_cnt = 0; do i = 1 to dim(num); miss_cnt = miss_cnt + missing(num[i]); end; do j = 1 to dim(chr); miss_cnt = miss_cnt + missing(chr[j]); end; if miss_cnt > 0; drop i j; run;numeric和character是 SAS 的自动变量列表，分别代表数据步里所有数值型和字符型变量，不用手写变量名，新增字段也不用改程序，这是它能当“万能程序”的原因。miss_cnt 本身也会被算进数值数组，但它初始为 0，missing(0) 返回 0，不影响最终计数。drop 掉的是循环下标，不是业务变量。
异常值检测常用 IQR 法：先算出四分位数，上下界取 Q1-1.5IQR 和 Q3+1.5IQR，落在界外的标记出来。关键技巧是用 ifn=1 then set 把单行的统计结果挂到每一行上。
proc means data=prj.raw noprint; var amount; output out=work.qstats q1=q1 q3=q3; run; data work.outliers; if _n_ = 1 then set work.qstats; /* 只在第一行读入统计结果 */ set prj.raw; iqr = q3 - q1; lower = q1 - 1.5 * iqr; upper = q3 + 1.5 * iqr; if amount < lower or amount > upper; run;ifn=1 then set 的作用是让 qstats 那唯一一行只在第一次迭代被读入，之后保持住，于是每一行都能拿到同一组 q1、q3。如果写成普通的 set work.qstats 放在前面，SAS 会逐行读它，读完第一行后面全变成缺失。这个写法在报表加总计行、计算占比时同样常用。
3.4 缺失值填补与子集提取：where 和 if 别用混
缺失值填补要看缺失机制，不能一律填均值。常见做法是分组建模填补，或者用临近值、前值结转，做敏感性分析时至少准备两套方案对比结果差异。填补程序本身不长，难的是判断填得合不合理，这一步没有捷径，得回到业务口径上确认。
子集提取有两个入口：where 在读取阶段过滤，if 在数据步执行阶段过滤。where 效率更高，还能直接写在 set 的数据集选项里；if 可以引用刚计算出来的新变量，where 不行。
/* where 在读取时过滤，条件只能用原数据集里的变量 */ data work.sub1; set prj.raw(where=(amount > 1000 and gender = "F")); keep id amount gender; run; /* if 在 PDV 之后过滤，可以引用新生成的变量 */ data work.sub2; set prj.raw; flag = (amount > 1000); if flag and gender = "F"; run;字符比较要注意大小写和尾部空格，SAS 里 "F" 和 "f" 不相等，从 Excel 导入的数据经常带尾随空格，用 strip() 或 upcase() 统一之后再比，比事后查为什么少了一半记录划算。
4. 避坑与排查：六条踩过的坑，照着对一遍
4.1 日志标红但结果照出：先读 ERROR 再信输出
现象：程序跑完输出窗口有表，日志里混着红色文字，很多人扫一眼结果就往下走。
原因：SAS 遇到部分错误会继续执行后续语句，比如某个变量找不到，SAS 把它当缺失处理，行还在、值全空，表面看程序没崩。
解决：每次提交后先看日志末尾。ERROR 必须处理，WARNING 要判断影响范围，NOTE 里“缺失值已生成”这类提示往往就是数据问题的前兆。我习惯把日志窗口固定在编辑器下方，跑完先扫红字再看输出，这个顺序反过来早晚要返工。
4.2 数字存成字符：排序、比较、计算全乱
现象：按金额排序，结果 100 排在 20 前面；做大于判断，条件永远不成立。
原因：从文本文件或 Excel 导入时没指定类型，SAS 把列识别成字符型，字符排序按字典序逐位比较，“100”的首字符 1 小于“20”的首字符 2，于是排前面。
解决：用 proc contents 确认变量类型，字符转数值用 input(var, best12.)，数值转字符用 put(var, best12.)。转换前先检查有没有非数字字符，否则 input 会静默产生缺失，最好加一步 verify 或 anyalpha 检查。
4.3 merge 一对多：行数悄悄翻倍
现象：合并前左表一万行，合并后变成一万八千行，汇总金额跟着虚高。
原因：右表连接键不唯一，merge 按 by 组展开，左表一行配右表多行就复制多份。
解决：合并前对右表按连接键去重或先聚合，用 proc sql 的 group by having count(*)>1 查重复键。合并后再比对一次观测数和关键金额合计，两次数字对不上就回退查键，不要在下游修数据。
4.4 lag 写在 if 里面：取到的是别人的上一行
现象：想算相邻两次访问的间隔，把 lag(date) 写在 if 条件分支里，结果差值乱七八糟。
原因：lag 的队列在每次数据步迭代都会推入当前值，跟分支是否执行无关。写在 if 里，条件不成立时队列照样前进，取到的“上一行”其实是跳过若干行之前的值。
解决：把 lag 赋值提到条件判断之外，先统一生成滞后变量，再用 if 做筛选。同理 dif 函数也一样。这个坑很隐蔽，日志没有任何提示，只能靠结果反查。
4.5 缺失值判断写成 x = . 或 x = ""
现象：明明看着是空的，if x = . 却不成立，或者字符变量的空值判断永远为假。
原因：数值缺失有 . 和 .A-.Z 等多种表现，直接等号只能匹配普通缺失；字符空串在 SAS 里是长度为 0 的字符串，跟含空格的字符串不是一回事。
解决：统一用 missing(x) 判断，它覆盖所有缺失形态。字符变量先 strip 再判空，避免看起来是空、实际含一个空格。
4.6 format 改了显示没改存储
现象：给金额套了 dollar12.2，导出后发现计算合计对不上，或者和另一张表比对不相等。
原因：format 只影响显示层，底层数值没变；如果拿格式化后的字符去做匹配，字符串对不上数值。
解决：比对和计算都用原始变量，展示才挂 format。需要把格式化结果落成字符时显式用 put，并且清楚那是新变量，不覆盖原值。
5. 作图与制表：sgplot、tabulate、ODS 三件套的落地参数
5.1 sgplot：柱状图、双坐标轴和瀑布图的骨架
proc sgplot 是画常规业务图的主力，语句结构是“图形语句 + 轴语句”。柱状图用 vbar，响应变量用 response 指定，stat 决定聚合方式，datalabel 直接把数值标在柱子上。
proc sgplot data=work.raw; vbar age_grp / response=amount stat=sum datalabel fillattrs=(color=gray); xaxis label="年龄段"; yaxis label="金额合计"; run;stat 可选 sum、mean、freq，选错会把金额画成计数；响应变量是字符型时 vbar 直接画频数，不需要 response。轴语句里可以改标签、刻度、范围，图形语句里的 fillattrs 控制填充色，group 可以按分类变量分组并自动配色。分类过多时柱子会挤在一起，先合并稀有类别比调图形参数有效。
双坐标轴图用于量纲差异大的两条序列，比如柱形画销售额、折线画增长率。关键点是只给需要右轴的图形语句加 y2axis，两个都加会报错。
proc sgplot data=work.trend; vbar month / response=sales; vline month / response=rate y2axis markers; yaxis label="销售额"; y2axis label="增长率"; run;y2axis 加在 vline 上，表示这条线读右轴刻度；yaxis 和 y2axis 分别控制左右轴标签。月份是字符型时按字符顺序排列，要按时间顺序得先把 month 转成数值日期或用 sort 后的顺序，否则图上会出现 1 月、10 月、11 月连着的错位。瀑布图用 waterfall 语句，category 给步骤、response 给增减量，适合展示预算差异和归因分解；风险图、森林图这类专业图形在 sgplot 里也有对应语句，参数更细，建议先照教程里的模板改数据跑通，再逐个调参数。
5.2 tabulate：三维列联表和三线表
proc tabulate 的语法核心是三个语句：class 声明分类变量，var 声明分析变量，table 用星号和逗号拼出表结构。逗号左边是行维，右边是列维，星号表示交叉，all 表示合计列。
proc tabulate data=work.raw; class gender age_grp; var amount; table gender * age_grp all, amount * (n mean sum); run;n 是计数，mean 是均值，sum 是合计，括号里的统计量会依次展开成多列。数值格式用 f= 指定，比如 meanf=8.2 保留两位小数，sumf=comma12. 带千分位。表格修饰包括改标签、加边框、控制空单元格显示，教程里提到的三线表思路是用 ODS 样式控制横线，而不是在 tabulate 里手工画线。
ods rtf file="/sasdata/prj/table1.rtf" style=journal; proc tabulate data=work.raw; class gender age_grp; var amount; table gender * age_grp all, amount * (n mean*f=8.2 sum*f=comma12.); run; ods rtf close;style=journal 是学术期刊常用的三线表样式，输出到 RTF 后可以直接用文字处理软件打开继续改。ODS 是成对出现的，开头 ods rtf file= 指定目标文件，结尾 ods rtf close 必须写，漏掉会导致文件被占用、下次写入失败。同一个程序想同时出 Word 和 PDF，就写两段 ods 包裹同一段 proc，不要试图在一次打开里切换多个目标。
5.3 ODS 输出与 proc report：报表交付的最后一步
数据要给业务方看，最终形态通常是 Excel 或 Word。ODS EXCEL 支持多 sheet、冻结表头、自动筛选，参数写在 options 括号里。
ods excel file="/sasdata/prj/detail.xlsx" options(sheet_name="明细" autofilter="yes" frozen_headers="yes"); proc print data=work.raw(obs=200); run; ods excel close;sheet_name 控制工作表名，中文名在部分环境会有编码问题，遇到乱码先换成英文名验证是不是编码导致的。obs=200 只输出前 200 行，用于快速核对，正式导出要去掉这个限制，否则交付的表会缺数据而且没人会发现。
proc report 适合做分组汇总报表，column 定义列顺序，define 定义每列的角色：group 分组、analysis 分析、order 排序。
proc report data=work.raw nowd; column gender age_grp amount; define gender / group "性别"; define age_grp / group "年龄段"; define amount / analysis mean format=8.2 "均值"; run;nowd 去掉默认的窗口模式，直接输出到当前 ODS 目标。group 变量会自动去重合并单元格，analysis 变量按组计算统计量。列顺序由 column 决定，跟数据集里的变量顺序无关，这点在改报表时很有用，不用动数据步。
地图类图形依赖 SAS 自带的地图数据集或外部的 shape 文件，绘图前要先确认地图库存在，区域编码和业务数据的编码要对得上，对不上时图上会出现空白区域而不是报错，这种静默失败只能靠肉眼核对。
6. 改完脚本怎么验证：用 proc compare 做一次回归检查
清洗脚本改一版，最怕的是“看着没问题”。我现在的习惯是每次改动后跑一次比对，把改动前的结果留一份基线，新结果和基线用 proc compare 逐行逐列对。
proc compare base=work.raw_old compare=work.raw_new out=work.diff outnoequal noprint; id id; run;base 是基线，compare 是新结果，id 指定主键，outnoequal 把不相等的观测写进 diff 数据集，noprint 压掉大段输出。跑完看日志里“观测数不匹配”和“变量不匹配”两行，再打开 diff 看具体差在哪几行。主键必须唯一，否则比对结果会错位，这跟 merge 前要查键是同一个道理。
再补一个轻量的行数钩子，把观测数写进宏变量，方便在日志里一眼看到变化：
%let dsid = %sysfunc(open(work.raw_new)); %let nobs = %sysfunc(attrn(&dsid, nlobs)); %let rc = %sysfunc(close(&dsid)); %put NOTE: 新数据集观测数 = &nobs;open 返回数据集句柄，attrn 取属性 nlobs 即观测数，close 释放句柄，三步缺一不可。这套写法可以包成宏，在每一步清洗后调用，日志里就会留下一串数字，哪一步行数掉了、涨了，回头查非常快。
一个具体技巧：把基线数据集和比对程序放在同一个项目目录，命名带日期后缀，每次改脚本前先复制一份当前结果当基线。别指望事后凭印象判断哪里变了，差异往往出现在你没想到的那几行。从那以后我每次动清洗逻辑，都强制走一遍“留基线、跑比对、看 diff”的流程，省下来的返工时间远超这点开销。希望帮到你。
本文还有配套的精品资源，点击获取
