#sas建模

学了一段时间的sas，也对基本的操作有了自己的理解与经验，上周五也进行了一次简单完整的sas建模，也顺便写一写关于这次建模的总结与教训哈哈哈。

建模背景：有关于一家银行的客户记录的数据，包括其储蓄卡／信用卡开卡时间，汇入汇出次数金额，取款存款次数金额，年龄，性别，不同方式（ATM，网银等）取款存款次数金额等50多个变量（对这几个变量印象较深），还有y值（1代表购买理财产品，0代表不够理财产品），然后就是使用logistics回归建立预测模型，预测客户是否会购买其理财产品。

下面我就讲下我和同伴一起建模的过程吧，顺便也梳理一下我们的一些问题点，大致按数据预处理，变量删减，变量分析，:模型建立几个环节来进行梳理，对于问题点下周回公司请教一下老司机们嘻嘻~

part 1：数据预处理

删除“未来”数据：拿到数据的一开始，老师就提示我们这堆数据里面可能会存在跨时间的“错误”数据，什么意思？简单来说吧，我们做模型的目的是基于现在的数据来预测未来的行为，所以，我们用来建立模型的输入变量数据，必须是历史数据，即当下可以拿到。

而数据的时间截点是15.9.30，但是有些客户的数据是之后才有的，所以这类的数据是不能进入到模型训练中的，应该进行标志并删除。

平衡样本：本来一开始没有删除的时候，看了一下好坏样本（即0-1的占比）占比为9：1，符合我们的建模样本要求，但是进行上一步操作后，比例就变大了，所以这里就进行样本的平衡。

proc sort data=model2_temp1 out=model2_temp2;by y;run;

proc surveyselect data =model2_temp2

    out =model3

    seed=12345

    samprate=(0.6,1);

    strata y;

run;

part 2：变量删减

删除缺失比例&同质性超90%的观测：这个就很好理解啦，因为这些数据对于目标变量没有区分度，以及缺失太多的变量会对建模造成干扰，直接删除就好了。

删除相关性较强的变量：因为工作量很多，我们使用了聚类操作，每个簇，我们尽量就保留一个变量。

/*系统聚类，需先计算各层级的目标事件占比*/

proc means data=a noprint;

    class province; /*需要分层的变量*/

    var z; /*0-1变量*/

    output out=mean_data mean=prop;

run;

/*进行聚类操作，R方越大越好，半偏R方越小越好*/

    ods output cluster history=cluster;

    proc cluster data=mean_data method=ward outtree=tree;

    freq _freq_;

    var prop;

    id province;

run;

我们一般看每一簇的1-R²，一般如果小于0.1，我们就保留其变量，但是，有的时候簇内的变量的1-R²都很大，这个时间就要结合相关性分析的表格进行判断，选出簇内两个相关性（ccorr过程步）比较小的变量（这个确实炒鸡慢，看到眼花！！！）

好呢！搞完上面的变量删减，我们从50多个变量变成了22个变量（是不是炒鸡开心哈哈哈！）

part 3：变量分析

进行完上面的操作，得到相对比较干净的数据，然后就对其进行相关性分析，包括和y值，删除强相关的一些变量，按照变量的类型分为类别变量和连续变量进行操作。

类别变量：使用freq进行计算其0-1占比，看下会不会可以进行类别的合并。

proc freq data=train;

    tables edu*z/nocol missing;

run;

连续变量：这次的变量，大多数都是连续变量，如次数金额什么的，连续变量就要用univariate啦。连续变量的处理，这里也是可以当做类别来的，但是需要是以下2种情况才可以，一个是弱同质性（超70%低90%），另一个是层级较少。

/*弱同质性*/

proc univariate data=train;

    var var1 var2 var3 var4......;  /*获得连续性变量的分位图*/

run;

/*根据实际情况，人工进行分层*/

data a;

    set train;

    if n_din>0 then numdin=1;

    else numdin=0;

run;

/*对分层后的变量进行proc freq分析*/

proc freq data=a;

    tables numdin*y/missing;

run;

/*连续变量层级较少*/

/*先把它转成类别变量进行处理，进行freq分析*/

proc freq data = train;

    tables n_csh*y/missing;

run;

/*制造0-1变量*/

data train;

    set train;

    npur_1=(n_csh