Python 與 SAS 的協同效應

– 7 分鐘閱讀

在資料分析領域，Python 和 SAS 各有千秋。Python 以其靈活性和豐富的開源函式庫著稱，而 SAS 則以其強大的統計分析能力和在企業級應用中的穩固地位而備受青睞。如何將兩者的優勢結合起來，一直是許多資料分析師關注的焦點。本文將引導 SAS 使用者探索 Python 的資料分析世界，特別著重於跨平台日期時間處理的挑戰與解決方案，並深入介紹 SASPy 模組如何實作 Python 與 SAS 的無縫整合。

跨平台日期時間處理：挑戰與策略

處理跨不同時區的日期時間資料，常常是資料分析中的一大挑戰。以下程式碼片段示範瞭如何使用 Python 來處理這個問題，並特別説明瞭如何計算時差以及進行時區轉換。

import pandas as pd
import pytz

# 設定上海和紐約時區
shanghai_tz = pytz.timezone('Asia/Shanghai')
newyork_tz = pytz.timezone('America/New_York')

# 建立上海時間
shanghai_time = shanghai_tz.localize(pd.Timestamp('2019-11-03 00:00:00'))

# 轉換為紐約時間
newyork_time = shanghai_time.astimezone(newyork_tz)

# 計算時差
time_difference = newyork_time - shanghai_time

print(f"上海時間：{shanghai_time}")
print(f"紐約時間：{newyork_time}")
print(f"時差：{time_difference}")

這段 Python 程式碼使用了 pytz 函式庫來處理時區。首先，我們定義了上海和紐約的時區物件。然後，使用 localize() 方法將時間戳物件關聯到上海時區。接著，使用 astimezone() 方法將上海時間轉換為紐約時間。最後，計算並輸出了兩者之間的時差。

SASPy 模組：Python 與 SAS 的橋樑

SASPy 模組為 Python 和 SAS 之間的互動提供了一條便捷的通道。它允許你在 Python 程式碼中直接執行 SAS 程式碼，並在兩者之間交換資料，實作資料分析流程的無縫整合。

安裝與組態

在 Windows 系統上，可以使用 pip 安裝 SASPy：

python -m pip install saspy

安裝完成後，需要設定 sascfg_personal.py 檔案來組態 Python 連線到 SAS 的方式。這個檔案包含了連線的詳細資訊，例如連線方法、SAS 伺服器的位址和埠號等。

核心功能

SASPy 提供了以下主要功能：

  • 啟動和連線到 SAS session
  • 在 SAS 變數和 Python 物件之間傳輸值
  • 在 Pandas DataFrames 和 SAS 資料集之間交換資料
  • 在 SAS 巨集變數和 Python 物件之間交換資料
  • 整合 SAS 和 Python 程式碼邏輯

視覺化資料流程

以下使用 圖表展示一個簡化的資料處理流程，其中包含了 Python 和 SAS 的互動：

  graph LR
    C[C]
    A[Python 資料收集] --> B(資料預處理)
    B --> C{SAS 資料分析}
    C -- 結果 --> D[Python 視覺化]

圖表説明： 此圖展示了 Python 和 SAS 在資料處理流程中的協同工作方式。Python 負責資料收集和預處理，SAS 負責資料分析，最後再回到 Python 進行視覺化呈現。

SASPy 實戰：資料交換與分析

以下程式碼片段示範瞭如何使用 SASPy 在 Python 和 SAS 之間交換資料：

import pandas as pd
import saspy

# 建立 SASPy session
sas = saspy.SASsession(cfgname='winlocal')

# 建立 Pandas DataFrame
data = {'col1': [1, 2, 3], 'col2': [4, 5, 6]}
df = pd.DataFrame(data)

# 將 DataFrame 傳輸到 SAS
sas_data = sas.df2sd(df, 'my_sas_data')

# 在 SAS 中執行程式碼
sas.submit("proc print data=my_sas_data; run;")

# 將 SAS 資料集傳回 Python
df_from_sas = sas.sd2df('my_sas_data')

print(df_from_sas)

這段程式碼首先建立了一個 Pandas DataFrame，然後使用 sas.df2sd() 方法將其傳輸到 SAS，並命名為 my_sas_data。接著，在 SAS 中執行 proc print 程式碼，最後使用 sas.sd2df() 方法將 SAS 資料集傳回 Python。

Pandas 資料處理技巧

在 Python 的資料分析過程中，Pandas 函式庫提供了許多強大的資料處理功能。以下程式碼片段示範瞭如何使用 Pandas 處理 LendingClub 的貸款統計資料：

import pandas as pd

# ... (程式碼略) ...

# 將 'term' 欄位中的 'months' 字串移除，並轉換為數值型別
loandf['term'] = loandf['term'].str.replace(' months', '').astype('float64')

# 將 'rate' 欄位中的 '%' 字串移除，並轉換為數值型別
loandf['rate'] = loandf['rate'].str.replace('%', '').astype('float64')

# ... (程式碼略) ...

這段程式碼使用 str.replace() 方法移除 'term' 和 'rate' 欄位中的多餘字串，然後使用 astype() 方法將其轉換為數值型別，以便進行後續的資料分析。

這篇文章探討了 Python 與 SAS 在資料分析中的協同應用，並重點介紹了跨平台日期時間處理、SASPy 模組的使用以及 Pandas 資料處理技巧。希望這些內容能幫助 SAS 使用者更好地理解和應用 Python 進行資料分析。

與 SASPy 模組互動：日誌、教學模式及程式碼提交

在開發與 SASPy 模組互動的 Python 指令碼時，有效地檢視和分析 SAS 日誌對於程式碼除錯和問題排查至關重要。雖然 print(sas.saslog()) 可以顯示完整的 SAS 日誌，但在處理複雜程式碼或大型資料集時，日誌內容可能過於冗長，難以快速定位問題。以下將介紹更有效率的日誌檢視方法，以及如何在 Jupyter Notebook 中進行程式碼除錯和教學模式的應用。

Jupyter Notebook 中的 SAS 日誌檢視

在 Jupyter Notebook 環境中，我們可以利用 SASPy 提供的 saslog() 方法，結合 Python 的字串處理功能，更精確地控制日誌輸出。例如，可以只顯示特定關鍵字或錯誤訊息相關的日誌內容，避免被大量無關資訊幹擾。

import saspy
sas = saspy.SASsession()

# 執行 SAS 程式碼 (此處省略具體程式碼)
sas.submit("""
  data _null_;
    put "This is a test message.";
    put error "This is an error message.";
  run;
""")

# 顯示包含 "error" 關鍵字的日誌內容
log_content = sas.saslog()
error_lines = [line for line in log_content.splitlines() if "error" in line.lower()]
print("\n".join(error_lines))

這段程式碼首先建立一個 SAS session，然後提交一段包含普通訊息和錯誤訊息的 SAS 程式碼。接著，它使用 saslog() 方法取得完整的 SAS 日誌，並利用 Python 的列表推導式篩選出包含 “error” 關鍵字的行，最後將這些行列印預出來。這種方法可以幫助我們快速定位錯誤訊息，提高除錯效率。

教學模式與程式碼提交

SASPy 提供了教學模式（Teaching Mode），可以逐步執行 SAS 程式碼，並在每一步顯示對應的日誌和結果。這對於教學和學習 SAS 程式設計非常有幫助，也可以用於逐步除錯複雜的程式碼。

import saspy
sas = saspy.SASsession(teaching_mode=True)

# 逐步提交 SAS 程式碼
sas.submit("data _null_; put 'Step 1'; run;")
print(sas.saslog())

sas.submit("data _null_; put 'Step 2'; run;")
print(sas.saslog())

這段程式碼啟用了 SASPy 的教學模式，然後分兩步提交 SAS 程式碼。在每一步之後，它都會列印預出當前步驟的 SAS 日誌。這樣可以清晰地看到每一步的執行結果，方便教學和除錯。

程式碼提交的最佳實務

在提交 SAS 程式碼時，建議遵循以下最佳實務：

  • 程式碼分塊提交: 將程式碼分解成邏輯上獨立的程式碼塊，分塊提交和除錯。
  • 錯誤處理: 使用 try...except 程式碼塊捕捉潛在的錯誤，並根據錯誤型別採取相應的處理措施。
  • 日誌分析: 善用日誌資訊，快速定位和解決問題。
  • 教學模式: 在學習或教學過程中，使用教學模式逐步執行程式碼，加深理解。

圖表示例：

  graph LR
    B[B]
    A[Python Code] --> B{SASPy};
    B --> C[SAS Session];
    C --> D[SAS Log];
    D --> E[Error Analysis];

透過以上方法和技巧，我們可以更有效地利用 SASPy 模組與 SAS 互動，提高程式碼開發和除錯效率。

額外説明：

  • 以上程式碼示例中的檔案路徑和 SAS 函式庫名稱需要根據您的實際環境進行調整。
  • 確保已正確安裝和設定 pandas 和 saspy 函式庫，以及 SAS 環境。
  • 善用 SASPy 的檔案和線上資源，深入學習更多進階功能和技巧。 深入 SASPy：探索程式碼生成與提交技巧

在資料分析領域，Python 與 SAS 的結合往往能帶來強大的效益。SASPy 正是這樣一個橋樑，它讓 Python 開發者能夠輕鬆地與 SAS 伺服器互動，執行 SAS 程式，並將結果整合到 Python 環境中。本文將探討 SASPy 的程式碼生成和提交機制，並分享一些實用技巧。

揭秘 SAS 程式碼生成

SASPy 的 saspy.SASsession() 物件提供了一個巧妙的機制，讓使用者可以一窺 Python 程式碼背後生成的 SAS 程式碼。透過設定 teach_me_SAS 屬性為 True，SASPy 會在執行每個方法時，將其對應的 SAS 程式碼傳回。

sas.teach_me_SAS(True)
loansas.bar('ln_stat')  # 假設 loansas 是一個 SAS 資料物件
sas.teach_me_SAS(False)

上述程式碼片段示範瞭如何利用 teach_me_SAS 屬性。當它被設定為 True 時，loansas.bar('ln_stat') 這個呼叫除了繪製直方圖外，還會顯示其背後執行的 SAS 程式碼。設定回 False 則關閉此功能，回到正常的執行模式。這個技巧在除錯和學習 SAS 語法時非常有用。

靈活提交 SAS 程式碼

saspy.SASsession() 物件的 submit() 方法允許使用者提交任意 SAS 程式碼區塊。這個方法非常靈活，可以執行任何有效的 SAS 程式碼，並以 Python 字典的形式傳回執行結果，其中包含 SAS 日誌和輸出。

sas_code = """
options nodate nonumber;
proc print data=sas_data.loan_ds (obs=5);
var id;
run;
"""
results = sas.submit(sas_code, results='TEXT')
print(results['LST'])

這段程式碼首先將 SAS 程式碼儲存在 Python 的多行字串 sas_code 中。接著，使用 sas.submit() 方法將程式碼提交給 SAS 執行。results='TEXT' 引數指定傳回結果的格式為純文字。results 字典包含兩個鍵值：'LOG' 儲存 SAS 日誌資訊，'LST' 儲存 SAS 程式的輸出結果。

HTML 格式化輸出

除了純文字格式，SASPy 還支援 HTML 格式的輸出，這在 Jupyter Notebook 等環境中非常實用，可以直接渲染美觀的輸出結果。

from IPython.display import HTML

results = sas.submit(sas_code, results='HTML')
HTML(results['LST'])

這段程式碼與前一段程式碼類別似，主要區別在於 results='HTML' 引數。這個引數指定傳回結果的格式為 HTML。透過 IPython.display.HTML 函式，我們可以直接在 Jupyter Notebook 中渲染 HTML 輸出，使結果更具可讀性。

透過以上技巧，我們可以更有效地利用 SASPy 在 Python 環境中操作 SAS，並深入理解其運作機制。teach_me_SAS 屬性幫助我們學習 SAS 語法，而 submit() 方法則提供了高度的靈活性，讓我們可以執行任意 SAS 程式碼，並以不同格式取得結果。這些技巧對於資料科學家和分析師來説，無疑是提升效率的利器。

玄貓

玄貓

技術愛好者，專注於分享程式開發、雲端技術與 AI 應用的心得體會。