[转] 利用SAS进行随机抽样

shiyiming

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;

原帖：http://www.itongji.cn/article/040XE2012.html