sas大数据处理

『壹』 SAS与R优缺点讨论 从工业界到学界

SAS与R优缺点讨论：从工业界到学界
尽管在工业界还是被 SAS 所统治，但是R在学术界却得到广泛的应用，因为其免费、开源的属性使得用户们可以编写和分享他们自己的应用。我们的目的就是展示这两种差异巨大的语言各自优点，并且共同发挥他们的优势，我们同时还要指出那些不使用SAS 好多年的、现在正在使用 R语言的人们的一些误解和偏见，因为他们已经很少关注 SAS 的发展和进步了。
前言
我们选取 SAS 和 R的原因是因为他们是目前在统计领域中最有统治地位的两个编程语言。现在我们注意到一个不好的现象，就是在学术界重度使用R的用户认为R在被SAS霸占的工业界有具有相当优势的，然而熟练掌握这两个软件对于想在数据分析领域取得小有成就的年轻人来说很关键。
SAS经常有一些更新，非SAS程序员由于没有技术跟进往往并不知情。SAS绘图模块就是一个快速发展并成长的例子，然而许多人并不注意到这些升级以至于他们仍然固执的使用R画图。SAS另一个不广为人知的例子是SAS可以轻松自定义函数，这正是 R的强项。这个SAS过程步(PROC)有全面的语法检查、翔实的文档和技术支持;然而一个新的使用者很可能不知道这些工具可用，或者根本不知道它们的存在。另外，SAS还拥有卓越的培训课程，网络及用户组分享资源，不同相关主题的大量书籍。知道并合理的使用这些技术以及工具有助于减少使用SAS的畏惧之心。
统计方法的新进展
SAS：
优点：SAS 的软件及算法都是经过检验的，SAS 有技术支持去快速解决用户的需求。如果需要的话，SAS会尝试在已存在的步骤中嵌入新的方法，例如增加一个选项或者新增一个语句(statement)，因此用户不需要学习另外一个过程步。SAS也会发布最新通讯来详细说明软件的更新。
缺点：更新升级较慢。
R：
优点：用户可以快速实施新方法，或者寻找已经存在的软件包。很容易学习和理解新方法，因为学生们可以看到代码中的函数。
缺点：R文档的更新都是通过用户进行的，所以新的方法并没有被很好调试和检验。开发者们散布于各地，而并没有在一起来进行团队合作的开发。
在这个问题上，SAS 和 R 的优缺点是互补的。对于 R，有人认为它的代码是开放的，可以看到 R是如何工作的，这对于拥有相关背景的人是比较容易理解的。然而对于SAS，它的过程步是预装的，文件中对不同的语句(Statement)及选项( Option)存储了大量的数学公式。如果用户真的想看到底层程序，这个也是很容易实现的。对两种语言的使用着者来说，不管是学生还是其它用户，只是运行代码的话对于两种语言是没有什么不同的。你运行SAS，不需要知道它在干什么，类似的是，你运行R时，也不需要知道它在后台调用的函数。你所做的就是按章操作而已。
画图
SAS：
优点：SAS画图模块正变得越来越灵活、精良和易于使用。在一些分析过程步(PROCs) 中，ODSGraphics可以自动的生成一些图形，而不需要额外的代码。这使得用户多了一个选择，即可以使用默认的图表生成图表，也可以自己来创造个性化的图表。
缺点：图形背后的模板语言(TL)是庞大及不易使用的，特别是对于新手来说。新的高级功能如交互式绘图功能( interactivegraphs)，对于新手来说也是难以掌握的。
R：
优点：可以简单的生成漂亮的图表，还可以使用循环语句来生成动画。
缺点：在 R中图表功能与统计分析无关，绘图和分析是相互独立的。用户必须自己来决定什么样的图形是合适的，使用效果的好坏取决于用户们的统计背景和喜好。尽管改变图形去达到特别的维度或角度并不是一个简单事儿。
SAS9.2 之前版本的图表功能不足是 R更吸引人的一个主要原因之一。R的一个最好的特性之一就是其图表功能的高质量性和易用性。但是，当前 SAS/GRAPH 搭配 ODSGraphics 及 SG 过程在软件中增加了制图的能力。联合使用 ODS graphics 和 PROCS可以使用户简单地生成与分析相关的展示图表。特定的绘图过程步如PROCSGPLOT，SGPANEL和SGSCATTER等越来越多，当然需要的一定代码来实现。另外，SAS 中还有一些其他不错的绘图选择，如SGDESOGNER 和 SAS Enterprise Guide。
函数及可重复使用的代码
SAS：
优点：SAS有可在 DATA 和 PROC步使用的大量函数和自定义函数。另外强大无所不能的、也可以被DATA步和PROC步使用的宏语言。宏变量可定义为局部或者全局类型。
缺点：编写自定义函数和详细的宏代码需要深厚的编程知识来确保正确性。
R：
优点：在 R 中编写函数很简单，用户也可以通过上传自己的函数到 R-CRAN 上与其它用户分享。
缺点：编写自定义函数需要深厚的编程知识来确保正确性。变量是严格的局部变量。在这一点上两种软件拥有类似的利弊。SAS的早期用户运行自己的定制函数主要取决于宏程序的编写，这也是 R 用户认为其低效及笨重的原因。然而，SAS 9 版本的 PROCFCMP允许用户编写个性化的函数，SAS 9.2 版本又允许用户在 DATA 及 PROC步中调用这些函数。这对于简单的统计函数是很有用的，对于更加复杂的统计函数也可以通过 IML 语言来实现。
SAS 及 R两种语言都面临着怎样有效地、正确的使用函数，这就需要用户在函数编写的过程中拥有深厚的编程背景。从好的角度来说，一个程序员需要知道他们编写的是什么;危险的是，其它人可以下载一个SAS 宏或者 P程序包来使用，尽管他们不知道其内在工作原理，甚至不知道其正确性。所以，有了对宏及函数适当的了解，再来分享它们并应用于具体的需求是很方便的。
用户支持
SAS：
优点：SAS 有丰富的网上参考资料，专业的技术支持，专业的培训课程，许多优秀的出版书籍，一个紧密的用户组及网络社区。SAS的问题可以直接反映给技术支持部门，他们会与用户一起来解决。
R:
优点：R 有很好的示例手册，网上参考材料，R 邮件列表和 R 聚会。
缺点：用户们取决于其它用户对于软件的看法及建议。因为 R的开发者散布于全球各地，所以全球的用户是缺乏联系的。程序包(Package)并不是由 R软件的开发核心团队来编写的，所以导致了程序的不完善甚至有时候会对结果的正确性有所怀疑。另外，很难去直接寻找一个针对具体问题的人员或者团队。
数据处理
SAS：
优点：SAS 可以处理任意类型和格式的数据。DATA 步的设计纯粹就是为了数据的管理，所以 SAS擅长处理数据。利用丰富的选项，SAS 可以将大数据处理的很好，拼表以及 PROC SQL 也可以减少运行时间。
缺点：在 DATA 步骤中 SAS中的DATA步有非明示的循环算法，因此使用者的编程思维需要改变以符合SAS的运行逻辑。
R:
优点：R 在最初就被认为是更加适合大数据的。它对于矩阵的操作和排序的设计是非常高效的。R也可以很好的进行各种基于分析的数据模拟。
缺点：R 的设计更加关注统计计算以及画图功能，所以数据的管理是比较耗时的，而且不如在 SAS中那么明晰。其中一个主要的原因就是：对于各种不同类型的数据，在 R 中进行很好的数据处理是比较难以掌握的。
数据处理的重要性经常在统计编程中被忽视了，但是它确实是非常关键的，因为实际的数据非常糟糕，不能直接应用于分析。纯粹地使用 R的学生们对于得到的数据往往有不切实际的期望，而学习 SAS是一个有效的方法去解决怎样整理原始的数据。SAS可以对大而繁杂的数据集进行管理和分析，而 R更着重于进行分析。
当处理复杂数据时，R的面向对象的数据结构会遇到很多问题，并且R还缺乏一个内在的循环过程。在SAS中，应用标准化工具经常会进行如下操作：合并含有大量缺失数据的复杂数据集，再生成及修改其中的变量。而在R中，进行复杂的数据处理操作是没有标准化的，而且经常会导致更加复杂的过程。
SAS与R软件运行时间的快慢对比取决于任务。如SAS可以通过设置MEMLIB，从而像R一样使用内存(而非硬盘)来提升运行速度。但在R中，没有这样的硬件驱动，只能使用内存来执行。
报表
SAS：
优点：SAS 通过很多有用的过程步来生成详细漂亮的报表。
缺点：能提供更详尽报表的过程如 TABULATE、REPORT等，在能正确而有效的使用前，将为有一个艰难的学习曲线等待你跨越。
R:
优点：报表方面，R拥有诸多利器。Sweave包可以创造包含文字、表格和图形的 PDF 文件，其中图形可以LaTeX 和 R命令来装扮。另一个新的程序包 Knitr 可以快速生成格式限制较少的网页内容。
缺点：R 没有一个模式化的方式来生成报表，所以需要在编程上花一些功夫。报表的生成对于 R 来说是一个比较新的方向，所以它不如 SAS来的简单和快速。在 R 中，Sweave 和 Knitr 是报表这方面的领先的程序包，但是学习起来也比较困难。
重度报表使用用户应该了解这些以上不同，尽管学习 SAS的报表功能需要花费一些时间，但是一旦掌握了就很有价值并有很高的灵活性。而从最基础学习 R 的报表功能也许不需要像 SAS那样花那么多时间。
结论
我们可以看到解决 R 与 SAS的辩论是三合一的。第一，就像在任何一个统计编程社区一样，我们知道这个PK是没有一个最终赢家。两种软件各有优缺点。他们有共存的必要，而学术上的教学中，他们也有共存的必要。如果学生们能够明确他们的需求并合理的应用，那样会获得更好的效果。如果只给学生教授一种软件是有局限性的，这样会使他们难以发挥学习另外一种软件的潜力。第二，用户们需要保持他们的工具箱与时俱进。SAS和 R 都有一些很不错的学习网站去介绍最新的技术上的进步。第三，最理想的是学习两种软件并将其融合于分析中。对于 R 的用户们，通过转化R 到SAS 的用户界面，可以同时使用 2种软件。通过使用两种软件可以使处理及分析数据变得事半功倍，而且使所有的用户都满意。

『贰』 大数据分析工具有哪些，有什么特点

数据分析再怎么说也是一个专业的领域，没有数学、统计学、数据库这些知识的支撑，对于我们这些市场、业务的人员来说，难度真的不是一点点。从国外一线大牌到国内宣传造势强大的品牌，我们基本试用了一个遍，总结一句话“人人都是数据分析师”这个坑实在太大，所有的数据分析工具无论宣传怎样，都有一定的学习成本，尤其是要深入业务实际。今天就我们用过的几款工具简单总结一下，与大家分享。
1、Tableau
这个号称敏捷BI的扛把子，魔力象限常年位于领导者象限，界面清爽、功能确实很强大，实至名归。将数据拖入相关区域，自动出图，图形展示丰富，交互性较好。图形自定义功能强大，各种图形参数配置、自定义设置可以灵活设置，具备较强的数据处理和计算能力，可视化分析、交互式分析体验良好。确实是一款功能强大、全面的数据可视化分析工具。新版本也集成了很多高级分析功能，分析更强大。但是基于图表、仪表板、故事报告的逻辑，完成一个复杂的业务汇报，大量的图表、仪表板组合很费事。给领导汇报的PPT需要先一个个截图，然后再放到PPT里面。作为一个数据分析工具是合格的，但是在企业级这种应用汇报中有点局限。
2、PowerBI
PowerBI是盖茨大佬推出的工具，我们也兴奋的开始试用，确实完全不同于Tableau的操作逻辑，更符合我们普通数据分析小白的需求，操作和Excel、PPT类似，功能模块划分清晰，上手真的超级快，图形丰富度和灵活性也是很不错。但是说实话，毕竟刚推出，系统BUG很多，可视化分析的功能也比较简单。虽然有很多复杂的数据处理功能，但是那是需要有对Excel函数深入理解应用的基础的，所以要支持复杂的业务分析还需要一定基础。不过版本更新倒是很快，可以等等新版本。
3、Qlik
和Tableau齐名的数据可视化分析工具，QlikView在业界也享有很高的声誉。不过Qlik Seanse产品系列才在大陆市场有比较大的推广和应用。真的是一股清流，界面简洁、流程清晰、操作简单，交互性较好，真的是一款简单易用的BI工具。但是不支持深度的数据分析，图形计算和深度计算功能缺失，不能满足复杂的业务分析需求。

最后将视线聚焦国内，目前搜索排名和市场宣传比较好的也很多，永洪BI、帆软BI、BDP等。不过经过个人感觉整体宣传大于实际。
4、永洪BI
永洪BI功能方面应该是相对比较完善的，也是拖拽出图，有点类似Tableau的逻辑，不过功能与Tableau相比还是差的不是一点半点，但是操作难度居然比Tableau还难。预定义的分析功能比较丰富，图表功能和灵活性较大，但是操作的友好性不足。宣传拥有高级分析的数据挖掘功能，后来发现就集成了开源的几个算法，功能非常简单。而操作过程中大量的弹出框、难以理解含义的配置项，真的让人很晕。一个简单的堆积柱图，就研究了好久，看帮助、看视频才搞定。哎，只感叹功能藏得太深，不想给人用啊。
5、帆软BI
再说号称FBI的帆软BI，帆软报表很多国人都很熟悉，功能确实很不错，但是BI工具就真的一般般了。只能简单出图，配合报表工具使用，能让页面更好看，但是比起其他的可视化分析、BI工具，功能还是比较简单，分析的能力不足，功能还是比较简单。帆软名气确实很大，号称行业第一，但是主要在报表层面，而数据可视化分析方面就比较欠缺了。
6、Tempo
另一款工具，全名叫“Tempo大数据分析平台”，宣传比较少，2017年Gartner报告发布后无意中看到的。是一款BS的工具，申请试用也是费尽了波折啊，永洪是不想让人用，他直接不想卖的节奏。
第一次试用也是一脸懵逼，不知道该点那！不过抱着破罐子破摔的心态稍微点了几下之后，操作居然越来越流畅。也是拖拽式操作，数据可视化效果比较丰富，支持很多便捷计算，能满足常用的业务分析。最最惊喜的是它还支持可视化报告导出PPT，彻底解决了分析结果输出的问题。深入了解后，才发现他们的核心居然是“数据挖掘”，算法十分丰富，也是拖拽式操作，我一个文科的分析小白，居然跟着指导和说明做出了一个数据预测的挖掘流，简直不要太惊喜。掌握了Tempo的基本操作逻辑后，居然发现他的易用性真的很不错，功能完整性和丰富性也很好。不过没有宣传也是有原因的，系统整体配套的介绍、操作说明的完善性上还有待提升。

『叁』 Hadoop和sas是什么关系

都是处理数据的软件，没什么具体的关系，sas一般运用于大型项目。hadoop相对而言成本体，应用更广泛点。
Hadoop原来是Apache
Lucene下的一个子项目，它最初是从Nutch项目中分离出来的专门负责分布式存储以及分布式运算的项目。简单地说来，Hadoop是一个可以更容易开发和运行处理大规模数据的软件平台。下面列举hadoop主要的一些特点：
扩容能力（Scalable）
成本低（Economical）高效率（Efficient）可靠性（Reliable）
SAS(Statistics
Analysis
System)
作为出色的处理大规模复杂数据的软件，目前已广泛应用于统计分析，数据处理，数据合库和商业智能领域

『肆』 r语言和sas哪个更适合制造行业的数据分析

你好，是这样的：

[注]：这里仅仅讨论楼主所问的R和SAS两种软件

1. 简介：R与SAS都属于统计/数据分析软件，R与SAS相比，R具有免费开源、应用广泛、可扩展度高等优点；SAS则属于模块化、集成化的软件，成本很高，但是能满足现有统计/数据分析的需求，并且与SQL数据库能进行很好的对接，一般为大企业，金融、销售行业所使用。而据个人经验，R在处理一些很大的行业数据的时候，就会有一些不如SAS（当然有部分原因是你软件载体的配置）。

2. 这两个软件都可以进行制造业的数据分析，如何选择这两个软件呢。

   答：

   (1).首要取决于你的数据分析所服务单位/团体的要求，个别有能力的企业，出于节约时间，会要求使用SAS，毕竟如果使用R，那么为了确保你的分析的正确性，可能会要求审查分析过程，而这个过程SAS会比R节约很大的时间，若对这两个软件没有要求，那么请看下一条。

   (2).在没有必定要求的前提下，选择软件取决于你对这两个软件的熟练程度，选择自己熟练的软件进行工作，将会使工作成本，时间大大减小。

   (3).若既没有软件的必定要求，数据又不太大，而R与SAS的掌握程度差不多的前提下，可以根据下面的方法选择：

   1）R的扩展性好，在制图方面靠着各种程序包遥遥领先，如果自己编程能力强，可以编写自己需要的程序包，这一点也是R的一大亮点，但是若数学、统计、英语功底不强，R学习起来可能有一些障碍。

   2）SAS管理/处理大数据的能力非常好，并且方便，就如网络里说的“只用告诉它做什么，不用告诉它怎么做”，这一点与R刚好相反（虽然R在使用现有程序包时也较便捷），同时SAS使用也只需要基础的英语和基础的统计就能使用。

根据以上的描述，楼主可以根据自己的情况“对号入座”，选择自己需要的软件。不对的地方还望指出，最后祝您身体健康，工作顺利，谢谢。

『伍』 做大数据分析一般用什么工具呢

java ：只要了解一些基础即可，做大数据不需要很深的Java 技术，学java SE 就相当于有学习大数据。基础
Linux：因为大数据相关软件都是在Linux上运行的，所以Linux要学习的扎实一些，学好Linux对你快速掌握大数据相关技术会有很大的帮助，能让你更好的理解hadoop、hive、hbase、spark等大数据软件的运行环境和网络环境配置，能少踩很多坑，学会shell就能看懂脚本这样能更容易理解和配置大数据集群。还能让你对以后新出的大数据技术学习起来更快。
好说完基础了，再说说还需要学习哪些大数据技术，可以按我写的顺序学下去。
Hadoop：这是现在流行的大数据处理平台几乎已经成为大数据的代名词，所以这个是必学的。Hadoop里面包括几个组件HDFS、MapRece和YARN，HDFS是存储数据的地方就像我们电脑的硬盘一样文件都存储在这个上面，MapRece是对数据进行处理计算的，它有个特点就是不管多大的数据只要给它时间它就能把数据跑完，但是时间可能不是很快所以它叫数据的批处理。
记住学到这里可以作为你学大数据的一个节点。
Zookeeper：这是个万金油，安装Hadoop的HA的时候就会用到它，以后的Hbase也会用到它。它一般用来存放一些相互协作的信息，这些信息比较小一般不会超过1M，都是使用它的软件对它有依赖，对于我们个人来讲只需要把它安装正确，让它正常的run起来就可以了。
Mysql：我们学习完大数据的处理了，接下来学习学习小数据的处理工具mysql数据库，因为一会装hive的时候要用到，mysql需要掌握到什么层度那?你能在Linux上把它安装好，运行起来，会配置简单的权限，修改root的密码，创建数据库。这里主要的是学习SQL的语法，因为hive的语法和这个非常相似。
Sqoop：这个是用于把Mysql里的数据导入到Hadoop里的。当然你也可以不用这个，直接把Mysql数据表导出成文件再放到HDFS上也是一样的，当然生产环境中使用要注意Mysql的压力。
Hive：这个东西对于会SQL语法的来说就是神器，它能让你处理大数据变的很简单，不会再费劲的编写MapRece程序。有的人说Pig那?它和Pig差不多掌握一个就可以了。
Oozie：既然学会Hive了，我相信你一定需要这个东西，它可以帮你管理你的Hive或者MapRece、Spark脚本，还能检查你的程序是否执行正确，出错了给你发报警并能帮你重试程序，最重要的是还能帮你配置任务的依赖关系。我相信你一定会喜欢上它的，不然你看着那一大堆脚本，和密密麻麻的crond是不是有种想屎的感觉。
Hbase：这是Hadoop生态体系中的NOSQL数据库，他的数据是按照key和value的形式存储的并且key是唯一的，所以它能用来做数据的排重，它与MYSQL相比能存储的数据量大很多。所以他常被用于大数据处理完成之后的存储目的地。
Kafka：这是个比较好用的队列工具，队列是干吗的?排队买票你知道不?数据多了同样也需要排队处理，这样与你协作的其它同学不会叫起来，你干吗给我这么多的数据(比如好几百G的文件)我怎么处理得过来，你别怪他因为他不是搞大数据的，你可以跟他讲我把数据放在队列里你使用的时候一个个拿，这样他就不在抱怨了马上灰流流的去优化他的程序去了，因为处理不过来就是他的事情。而不是你给的问题。当然我们也可以利用这个工具来做线上实时数据的入库或入HDFS，这时你可以与一个叫Flume的工具配合使用，它是专门用来提供对数据进行简单处理，并写到各种数据接受方(比如Kafka)的。
Spark：它是用来弥补基于MapRece处理数据速度上的缺点，它的特点是把数据装载到内存中计算而不是去读慢的要死进化还特别慢的硬盘。特别适合做迭代运算，所以算法流们特别稀饭它。它是用scala编写的。Java语言或者Scala都可以操作它，因为它们都是用JVM的。

『陆』 SAS数据处理

DATA CHENGJI1;
INPUT NAME $ SEX $ MATH CHN GROUP;
CARDS;
李明 男 92 98 1
张红艺 女 89 106 1
王思明 男 86 90 1
;
RUN;
DATA CHENGJI2;
INPUT NAME $ SEX $ MATH CHN GROUP;
CARDS;
张聪 男 95 92 2
刘颖 女 98 101 2
高红 女 91 92 2
;
RUN;

DATA CHENGJI3;
INPUT NAME $ SEX $ MATH CHN GROUP;
CARDS;
赵强 男 93 99 3
李云芳 女 96 102 3
周闪 男 88 98 3
;
RUN;

*第二步;
DATA CHENGJI0;
SET CHENGJI1 CHENGJI2 CHENGJI3;
RUN;

*第三步;

DATA CHENGJI;
SET CHENGJI0;
AVG=MEAN(MATH,CHN);
RUN;

PROC SORT;
BY AVG;
RUN;
*第四步;

DATA MATH90;
SET CHENGJI0;
WHERE MATH>90;
RUN;

*第五步;
PROC SORT DATA=CHENGJI(KEEP=NAME GROUP AVG) OUT=LAST ;
BY GROUP AVG;
RUN;
DATA LAST;
SET LAST;
BY GROUP AVG;
IF FIRST.GROUP;
RUN;

*第六步;
PROC SORT DATA=CHENGJI0 OUT=MATH;
BY SEX;
RUN;

DATA MATH(KEEP=SEX AVG SUM_ALL);
SET MATH END=T;
BY SEX;
IF FIRST.SEX THEN DO;
I=0;
M=0;
END;
M+MATH;
I+1;
AVG=M/I;
J+1;
TOT+MATH;
IF LAST.SEX;
IF T THEN SUM_ALL=TOT;
RUN;
*第七步;

PROC SUMMARY DATA=CHENGJI0 NWAY;
VAR MATH;
OUTPUT OUT=A(DROP=_TYPE_ RENAME=(_FREQ_=N)) SUM=TOT;
RUN;

DATA DIF;
IF _N_=1 THEN SET A;
SET CHENGJI0;
AVG=TOT/N;
DIFF=AVG-MATH;
DROP TOT N;
RUN;

*第八步;
DATA EN;
INPUT EN @@;
CARDS;
80 84 85 86 82 87 96 75 52
;
RUN;
DATA ALL;
SET CHENGJI0;
SET EN;
RUN;

楼上这位是大牛，多向他学习学习

『柒』 大数据分析哪个软件做的好

大数据分析的软件有很多，其中SQL数据分析、Excel数据分析、SPSS数据分析、SAS数据分析、R数据分析等这些软件都是挺不错的。

1、SQL数据分析

SQL对于很多数据分析师，取数是基本功。可以翻一下很多数据分析岗位的招聘启事，不管实际需不需要，都会把熟练掌握SQL这一条写上来。SQL并不是这么复杂，要学习的只是取数、中高级查询、简单数据清洗等。

4、SAS数据分析

SAS由于其功能强大而且可以编程，很受高级用户的欢迎，也是最难掌握的软件之一，多用于企业工作之中。需要编写SAS程序来处理数据，进行分析。在所有的统计软件中，SAS有最强大的绘图工具，由SAS/Graph模块提供，有着强大的数据管理和同时处理大批数据文件的功能。

5、R数据分析

R是一个开源的分析软件，也是分析能力不亚于SPSS和Matlab等商业软件的轻量级(仅指其占用空间极小，功能却是重量级的)分析工具。R支持Windows、Linux和Mac OS系统，对于用户来说非常方便，R和Matlab都是通过命令行来进行操作，这一点和适合有编程背景或喜好的数据分析人员。

『捌』 sas分析与大数据分析区别

难度、开发时间。
1、难度。sas是全球最大的私营软件公司之一，是由美国北卡罗来纳州立大学1966年开发的统计分析软件。该软件操作繁琐，难度很大，大数据分析需要做的就是点击鼠标选菜单，难度很小。
2、开发时间。sas分析开发时间为1973年，时间较早，大数据分析开发时间为1975年，时间较晚。

『玖』 《深入解析SAS数据处理、分析优化与商业应用》epub下载在线阅读，求百度网盘云资源

《深入解析SAS》（徐唯）电子书网盘下载免费在线阅读

资源链接：

链接：https://pan..com/s/1J0rXYqxYpEDUCzrn-6riPQ

书名：深入解析SAS

作者：徐唯

豆瓣评分：8.9

出版社：机械工业出版社

出版年份：2015-1

页数：884

内容简介：

本书是国内市场目前唯一一本由SAS公司在中国的员工创作、全面系统地剖析SAS技术的著作。作者团队结合自身实际工作的经验体会和大量生动的实践案例，通俗易懂、循序渐进地对SAS的核心技术模块和架构体系进行了全方位的介绍、总结与分享，帮助读者深刻领会和掌握使用SAS进行数据挖掘与优化的专业知识，同时培养读者运用这些专业知识解决商业问题和实施商业项目的能力。

全书共28章，分为四个部分：SAS编程(第1-8章)系统介绍了运用SAS进行数据读入、处理和展现等内容，掌握这一部分内容可以满足大部分实际项目中数据处理的需要；SAS统计分析和时间序列预测 (第9—18章)全面介绍了多种常见统计方法的基本原理和利用SAS去实现的具体技术，包括描述性统计分析、参数估计与假设检验、方差分析、主成分分析与因子分析、聚类分析、判别分析、回归分析、时间序列分析等，并给出了相应的实践案例，从而让熟悉统计理论的读者有能力将其应用到实际中去；SAS优化建模(第19~24章)对于从事优化的读者来说，将是很好的帮助。这一部分主要介绍了运用SAS／O日建模，以及求解线性规划、混合整数规划问题的方法及实例，通过对常见的优化问题进行全面的阐述，帮助读者掌握优化思路和技巧；SAS商业应用(第25-28章)从项目实施角度探讨了如何设计满足安全性、高可用性和高性能需求的gAS应用，让读者领会解决实际问题的方法。

作者简介：

夏坤庄，SAS软件研究开发（北京）有限公司客户职能部总监。在承担大量产品研发工作的同时，夏坤庄及其团队负责对SAS非英语市场提供技术支持，并且与在美国及其他地区的团队一起，对SAS的SaaS客户提供服务，以及提供和验证关于SAS产品和技术的最佳实践。在加入SAS软件研究开发（北京）有限公司之前，夏坤庄就职于SAS中国公司。在SAS中国公司期间，历任资深咨询顾问、项目经理、首席顾问、咨询经理，在SAS的技术与产品领域拥有丰富的咨询和项目实施经验。在超过15年的从业经历中，为SAS的金融行业客户成功实施了众多深受好评的项目，所承担的项目获得诸如人民银行颁发的“银行系统科技进步一等奖”和客户系统内部颁发的“项目开发特等奖”等。拥有数学专业的学士学位和自动控制理论及应用专业的硕士学位。

徐唯，SAS软件研究开发（北京）有限公司资深分析咨询师，主要负责为SAS亚太地区客户提供高端商业分析与优化的咨询服务，拥有为国际客户提供数据挖掘和优化建模服务的丰富经验，例如为某大型国际汽车制造公司在中国业务的库存优化项目提供服务，以及为国际知名银行的信用卡审批流程优化提供优化建模服务等。本科和研究生均毕业于南京大学数学系。

潘红莲，SAS中国公司资深咨询顾问，为中国区客户提供SAS解决方案和产品的方案咨询和技术支持。于2008年加入SAS后，曾任SAS软件研究开发（北京）有限公司解决方案架构师，提供SAS解决方案和产品在企业级应用的方案研究和设计，尤其在IT实施和产品集成策略等领域做出了突出的贡献。对SAS架构设计、系统管理、安全性，以及高可用性等方面有着深刻的理解和丰富的实践经验。毕业于北京航空航天大学，获计算机专业学士和硕士学位。

林建伟，现就职于SAS软件研究开发（北京）有限公司，任资深分析咨询师。研究领域为大数据处理、数据挖掘、预测优化、库存优化、图论及相关应用。参与国内外多个客户的SAS预测与优化项目的咨询工作，例如为某海外银行的信用卡审批流程优化提供优化建模服务。美国西密歇根大学博士，在国际知名刊物上发表多篇专业论文。

『拾』 SAS，MATLAB，R等，用哪个好

SAS和R是统计软件，更偏向于统计分析，MATLAB是数学软件，应用区域更广，但在统计方面没有那么专业。
R语言和SAS语言在统计方面的比较：
1. R语言上手比较容易，SAS语言较为晦涩
2.R针对行与行之间的运算比SAS容易
3.SAS比R要成熟，很多分析都可以直接用，而不用自己写函数
4.SAS处理大数据更有优势
你可以根据自己的情况选择