SAS2PYTHON - Gruppierte Datenverarbeitung


Posted on 16 June 2023 at 18:15 by Stefan Weingaertner

In der Episode 62 unseres heutigen Blog-Beitrags zeigen wir, wie man in SAS/BASE und in Pandas gruppierte Datenverarbeitungsschritte ausführt.


Ein Pandas DataFrame ist einem SAS Data Set sehr ähnlich - es handelt sich um eine zweidimensionale tabellarische Datenstruktur mit gelabelten Spalten, die von unterschiedlichem Datentyp sein können. Wie in diesem Beitrag gezeigt wird, kann nahezu jede Operation, die mit dem SAS Data Step auf einen Datensatz angewendet werden kann, auch in Pandas ausgeführt werden.

Input: Unsere Input-Tabelle besitzt 6 Datensätze und besteht aus den Spalten "Name", "Department", "Position" und "Age".


                              
                 Name  Department   Position  Age 
         Vincent Vega       Sales  Executive   49
    Marsellus Wallace   Marketing  Executive   52
       Butch Coolidge          HR  Executive   45
          Honey Boney          IT  Team Lead   42
 Esmeralda Villalobos  Purchasing  Team Lead   32
      Jules Winnfield     Finance  Team Lead   39


Output: Wir wollen pro "Position" jeweils den ersten Datensatz extrahieren.

Da manche Operationen in SAS und Python unterschiedlich ausgeführt werden, generieren die beiden Programmiersprachen auch leicht unterschiedliche Ausgabe-Formate. Wir haben daher die Outputs mit dem dazugehörigen Code für SAS und Python separat aufgeführt.



SAS-Code: Die gruppierte Datenverarbeitung auf der Spalten "Position" würde man für ein SAS Dataset "df" wie folgt umsetzen.


                      
proc sort data = df out = df_nodup nodupkey;
    by Position;
run;


SAS-Output: Das Ergebnis sieht in SAS wie folgt aus, pro Position wird nur der erste Datensatz beibehalten.


                      
Obs                  Name  Department   Position  Age  
  1          Vincent Vega       Sales  Executive   49  
  2           Honey Boney          IT  Team Lead   42



Python-Code: In Python würde man die gruppierte Datenverarbeitung auf der Spalte "Position" für ein Pandas Dataframe "df" mit der folgenden Syntax umsetzen.


                      
import pandas as pd

df_nodup = df.groupby('Position', as_index=False).first()


Python-Output: Das Ergebnis sieht in Pandas wie folgt aus, pro Position wird nur der erste Datensatz beibehalten.


                      
                   Name  Department   Position  Age
0          Vincent Vega       Sales  Executive   49
1           Honey Boney          IT  Team Lead   42



Wenn Sie die nächste Episode nicht abwarten möchten, können Sie auch gerne unser umfangreiches Training Python für SAS Professionals buchen.

Informationen zu den nächsten Kursterminen und zu unserem gesamten Trainingsangebot finden Sie hier.