如何确定选择人口百分比的子集？答案

【问题标题】：How to determine a subset selecting a percentage of population?如何确定选择人口百分比的子集？
【发布时间】：2020-03-23 14:15:59
【问题描述】：

我需要计算人口的百分比。具体来说，我需要 10% 的初始人口来确定一个新的子集。我尝试使用

proc sql;
select time, 
      count(*)*0.1
from table1
group by 1;
quit;

它有效，因为我有我想要的人口百分比。但是，我很难找到一种方法来允许我包含另一个条件（where var1>0 and var2=24），其中变量来自原始数据集（即var1 和var2 来自 table1）。你知道我该怎么做吗？

【问题讨论】：

标签： sql sas proc-sql

【解决方案1】：

假设您有 1,000 个项目（行），您希望从中抽取 10% 的随机样本。

Proc SURVEYSELECT 可能是选择样本的最佳方式。

data have;
  do id = 1 to 1000; output; end;
run;

proc surveyselect noprint data=have method=srs rate=10 out=want;
run;

基于随机数的 SQL 选择可以提供粗略的模拟，但不能产生精确的 10% 采样率。

proc sql;
  create table want as
  select id from have
  where rand('uniform') <= 0.10  %* roughly 10% of a uniform distribution;
;

还有其他方法，例如带有k/n算法的DATA步。

data want;
  call streaminit(123);

  do k=0.10*N by 0 while (k > 0);
    set have nobs=n;

    if rand('UNIFORM') <= k/n then do;
      k + (-1);
      output;
    end;
    n +(-1);
  end;

  stop;
run;

【讨论】：

谢谢理查德。按照您建议的方式，即使我选择 10%，我是否可以从原始数据集中选择变量（或所有变量）？我的疑问是使用这些变量，因为在 proc sql 中使用 count(*) 是不可能的。
所有三个示例都选择了整行，因此所有变量都可用。如果您想减少样本数据集中变量的数量，请使用数据集选项(KEEP=<list of variables>)。
谢谢你，理查德