SASpy模块，利用Python操作SAS

SASpy模块打通了Python与SAS之间的连接。有了SASpy模块，我们就能够在Python中操控SAS。本文将首先介绍SASpy模块的一些基本方法，最后通过一个聚类分析的例子，来展示如何在Python中调用SAS的机器学习过程，以及对聚类结果的可视化。

SASpy模块特点

1、需要Python3.X及以上，SAS9.4及以上，需要Java环境；

2、无论是本地SAS还是远程服务器上的SAS，都可以使用SASpy调用SAS进程；

3、可以在Python和SAS之间传递数据（也就是Pandas数据框与SAS数据集可以相互转换）；

4、某些Pandas方法可以直接在SAS数据集上使用（实际背后进行了转化）；

5、可以调用SAS的各种模块，比如统计stat、质量控制qc、预测ets、机器学习(EM模块)等。

SASpy模块的安装

关于安装的介绍，请参考如下文章：

1、SAS中文论坛，https://www.sohu.com/a/218339423_278472

2、SASpy的官网，https://sassoftware.github.io/saspy/install.html

上篇：SASpy模块的基本方法

假使我们已经安装好了SASpy模块，现在我们只需要导入该模块，并通过saspy.SASsession()来建立一个SAS进程（可能会花费数十秒），当看到提示：SAS Connection established时，这说明我们已经成功创建。如果有任何报错，可以参考如上两篇安装文章中的提示。直接输入sas，可以看到有关该进程的一些接口、基本参数信息。此外，可以通过dir(sas)查看有关方法，通过help(sas)查看更详细的帮助信息。

1、SASpy基本操作

在接下来的程序中，体现了SASpy的一些基本用法，如建立SAS逻辑库、判断数据集是否存在、sas数据集与pandas数据框的转换，以及CSV文件的导出与导入。有了这些方法之后，在数据的交互层面，基本已经没有问题了。对应于下面代码中的每一行，分别表示：

显示sas日志-1

建立一个sas逻辑库-2

判断class数据集是否存在(存在为1,否则为0)-3

判断sashelp.class数据集是否存在-4

获取sashelp逻辑库的cars数据集(sas数据集)-5

获取sashelp逻辑库的iris数据集(sas数据集)-6

获取sashelp逻辑库class数据集(pandas数据框)-7

获取sashelp逻辑库ari数据集(pandas数据框)-8

将Python的air数据框转为sas的myair数据集-9

将Python的air数据框转为sas数据集-10

将sashelp.class导出到CSV文件-11

CSV文件导入到SAS数据集-12

判断所导入的数据是否存在(结果为1)-13

cars对象的类型为sas数据集-14

air对象的类型为pandas数据框-15

2、提交SAS代码

可以在Python中直接提交“原汁原味”的SAS代码吗？当然可以，使用sas.submit()方法，将所有代码都放入submit()中，像'''SAS code'''这样，将SAS代码包裹起来。请看下面一个例子：

3、获取宏变量

宏变量、宏程序可以说是SAS编程的精华，可以极大地提升程序开发的效率，是任何一个优秀的SAS programmer都应该的必备技能。如果不太了解SAS Macro，可以暂且将它理解为一段可进行“文本替换”的代码，经常会结合循环使用，以提高代码的复用性、易于维护性，同时减少代码量。

下面的代码中，使用sas.symput()方法，定义了一个宏变量dataname，并在sas.submit()中进行了引用。同时，在sas.submit()中通过%let方法，定义了一个宏变量mydate，并通过sas.symget()方法获取。mydate是自定义宏变量，sysdate9是SAS系统宏变量，显示当前系统日期。

4、一个好玩的功能

在SASpy模块中，有一个好玩的方法，sas.teach_me_SAS()。当参数设置为True时（默认为False），不真正执行代码，而是给出SASpy方法对应的SAS代码。可以大概知道，这些SASpy方法的背后，对应的是SAS宏程序“模板”，执行时只需要提供参数即可（或者叫代码文本替换），例如数据集名称等。为了说明这一点，在下篇的聚类分析例子中，将会看到这种“替换”。

下篇：利用SASpy模块进行机器学习

SASpy接口十分丰富，利用dir()方法，可以查看各模块的各种方法。对于SAS中的机器学习过程，可以参考SAShelp的帮助文档。虽然SAS的语法和Python有所不同，但是建模理论却是相通的。

1、聚类模型的建立

下面的例子中以iris鸢尾花数据集为例，进行简单的聚类分析。通过proc hpclus聚类过程的NOC选项设置，模型告诉我们最佳的聚类数目是4类（注意ITERSTATS中的IterationNum是模型的迭代次数，不是最佳聚类数目）。最终的聚类特征，在WITHINCLUSSTATS中体现，关于模型的评估、解释，这里不做讨论。

此外，也可以通过sum of squared error (SSE)组内平方误差和来确定最佳聚类数目（如下图所示）。随着聚类数目增多，组内样本数就减少，从而WSS也减小。但WSS减小的速度是在下降的，也就是斜率越来越平缓了。从1类下降到3类速度较快，从3类下降到4类已经不那么明显了。因此将聚类数目确定为3类也是可以的。

2、聚类结果的可视化

为了便于对聚类结果的可视化，我们通过主成分PCA进行降维处理，将原来的4个特征减少为2维。结果就是如下的iris2数据框。

在SAS中如何对聚类结果作图呢？让我们再次开启SAS教学模式，teach_me_SAS设置为True。在如下scatter作图代码中，y后面的这一堆参数设置，显然不太符合Python的语言风格。y参数是一个文本，既然是文本，就可以进行文本替换，无论是简单的文本，还是复杂一点的文本，反正只要扔在SAS代码中可以执行就没有问题。这再次说明了SASpy方法的背后，是通过对SAS代码“模板”进行“文本替换”，交由SAS执行并返回结果。

总结

本文分为上下两篇，分别介绍了SASpy模块的基本功能（可能会比较常用的一部分，并非全部），以及利用SASpy模块调用SAS进行机器学习的一个例子（聚类分析）。

借助SASpy接口，我们可以在Python中对SAS进行各种操控，仿佛是扔掉了SAS的“壳”，留下了SAS的“魂”。但随着Python在数据分析、机器学习、大规模数据处理方面的日益强大（比如pyspark），加上开源免费的特点，相信越来越多的人会选择拥抱Python。