带你读《SAS数据分析开发之道 软件质量的维度》第三章通信交流3.3系统字母数字返回码(一)

简介: 带你读《SAS数据分析开发之道 软件质量的维度》第三章通信交流3.3系统字母数字返回码

系统字母数字返回码

SAS 字母数字返回码在这里不是必需的,因为它们仅反映&SYSERR 的数字值。 

此处虽然进行了介绍,但不建议使用这类返回码。

&SYSWARNINGTEXT

自动宏变量 &SYSWARNINGTEXT包括当前 SAS会话生成的或出现在 SAS日志中的最近一个警告信息的文本。警告信息并不代表警告实际发生了。例如,用

%PUT  程序指令打印“WARNING:   FAKE”将导致  &SYSWARNINGTEXT  改变为

FAKE,如以下输出信息所示。

%putBEFORE:&syswarningtextLENGTH:%length(&syswarningtext);BEFORE:            LENGTH:0

%putWARNING:FAKE;WARNING:FAKE

%putAFTER:&syswarningtext     LENGTH:%length(&syswarningtext);

AFTER:FAKE     LENGTH:4

 

以下输出内容显示的是引用了未初始化的宏变量 &NOTAREALMACRO时发出的警告。

%putBEFORE:&syswarningtextLENGTH:%length(&syswarningtext);BEFORE:            LENGTH:0

%put&notarealmacro;

WARNING:ApparentsymbolicreferenceNOTAREALMACROnotresolved.&notarealmacro

%putAFTER:&syswarningtext     LENGTH:%length(&syswarningtext);AFTER:ApparentsymbolicreferenceNOTAREALMACROnotresolved.

LENGTH:55

 

由于 &SYSWARNINGTEXT是只读的,只能在新的警告发出之后重置,因此,它不能手动重置为丢失。尽管该代码仅仅是在 SAS日志中产生一个警告,但该代码的运行依然代表着一个故障,这是因为预期的变量没有显示出来。出于这个原因,在这种情况下,尽管丢失的宏变量在SAS日志中显示为WARNING,但它依然是一个错误,是人为的错误

由于 &SYSWARNINGTEXT不能被重置,该宏变量在SAS会话结束之前将一直保留在后续程序中。例如,运行上述代码之后,在同一SAS会话中将会继续独立运行以下有效的 DATA步骤,这将会生成非常复杂的输出信息 :

%letsyscc=0;

datafinal;

lengthchar$10;run;

 

NOTE:ThedatasetWORK.FINALhas1observationsand1variables.NOTE:DATAstatementused(Totalprocesstime):

realtime             0.03seconds

cputime               0.03seconds

%putSYSCC:&syscc;SYSCC:0

%putSYSWARNINGTEXT:&syswarningtext;

SYSWARNINGTEXT:ApparentsymbolicreferenceNOTAREALMACROnotresolved.

尽管将该&SYSCC重置为0,且没有遇到任何警告或运行时错误,但该代码还是会错误地显示在上一个不相关程序中保存下来的&SYSWARNINGTEXT值。

为了克服这一缺点并确保&SYSWARNINGTEXT   仅在恰当的时候使用,代码应该仅&SYSCC=4以及&SYSCC在程序启动之前重置时再引用&SYSWARNINGTEXT。而,如以下&SYSWARNINGTEXT”部分所介绍的一样,由于在某些情况下,&SYSCC>4(表示存在错误)将掩盖一个警告代码,因此,没有程序化的方法能证实&SYSWARNINGTEXT       是当前的、相关的。出于这一原因以及前述的一些缺点,我并不推荐使用 &SYSWARNINGTEXT。

相关文章
|
1月前
|
数据采集 机器学习/深度学习 数据可视化
构建高效数据分析系统的关键技术
【10月更文挑战第5天】构建高效数据分析系统的关键技术
39 0
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
基于爬虫和机器学习的招聘数据分析与可视化系统,python django框架,前端bootstrap,机器学习有八种带有可视化大屏和后台
本文介绍了一个基于Python Django框架和Bootstrap前端技术,集成了机器学习算法和数据可视化的招聘数据分析与可视化系统,该系统通过爬虫技术获取职位信息,并使用多种机器学习模型进行薪资预测、职位匹配和趋势分析,提供了一个直观的可视化大屏和后台管理系统,以优化招聘策略并提升决策质量。
179 4
|
3月前
|
数据采集 机器学习/深度学习 数据可视化
【优秀python web系统毕设】基于python的全国招聘数据分析可视化系统,包括随机森林算法
本文介绍了一个基于Python的全国招聘数据分析可视化系统,该系统利用数据挖掘技术、随机森林算法和数据可视化技术,从招聘网站抓取数据,进行处理、分析和预测,帮助用户洞察招聘市场,为求职者和企业提供决策支持。
127 2
|
3月前
|
数据采集 存储 监控
数据驱动开发:如何将数据分析融入开发流程
【8月更文挑战第14天】数据驱动开发是一种高效、智能的软件开发方法论,它通过将数据分析深度融入开发流程中,实现了精准决策、提升效率和持续改进的目标。为了成功实施数据驱动开发,团队需要明确数据需求、设计合理的数据架构、集成数据收集工具、实施CI/CD流程、进行数据分析与决策支持以及建立反馈循环机制。同时,还需要应对数据质量、技术和组织与文化等挑战。通过不断努力和实践,团队可以逐步建立起完善的数据驱动开发体系,推动产品不断迭代升级和业务持续增长。
|
3月前
|
前端开发 Java JSON
Struts 2携手AngularJS与React:探索企业级后端与现代前端框架的完美融合之道
【8月更文挑战第31天】随着Web应用复杂性的提升,前端技术日新月异。AngularJS和React作为主流前端框架,凭借强大的数据绑定和组件化能力,显著提升了开发动态及交互式Web应用的效率。同时,Struts 2 以其出色的性能和丰富的功能,成为众多Java开发者构建企业级应用的首选后端框架。本文探讨了如何将 Struts 2 与 AngularJS 和 React 整合,以充分发挥前后端各自优势,构建更强大、灵活的 Web 应用。
58 0
|
3月前
|
SQL 数据采集 算法
【电商数据分析利器】SQL实战项目大揭秘:手把手教你构建用户行为分析系统,从数据建模到精准营销的全方位指南!
【8月更文挑战第31天】随着电商行业的快速发展,用户行为分析的重要性日益凸显。本实战项目将指导你使用 SQL 构建电商平台用户行为分析系统,涵盖数据建模、采集、处理与分析等环节。文章详细介绍了数据库设计、测试数据插入及多种行为分析方法,如购买频次统计、商品销售排名、用户活跃时间段分析和留存率计算,帮助电商企业深入了解用户行为并优化业务策略。通过这些步骤,你将掌握利用 SQL 进行大数据分析的关键技术。
182 0
|
3月前
|
机器学习/深度学习 算法 数据可视化
基于Python flask的豆瓣电影数据分析可视化系统,功能多,LSTM算法+注意力机制实现情感分析,准确率高达85%
本文介绍了一个基于Python Flask框架的豆瓣电影数据分析可视化系统,该系统集成了LSTM算法和注意力机制进行情感分析,准确率高达85%,提供了多样化的数据分析和情感识别功能,旨在帮助用户深入理解电影市场和观众喜好。
135 0
|
3月前
|
数据采集 数据可视化 数据挖掘
数据分析大神养成记:Python+Pandas+Matplotlib助你飞跃!
在数字化时代,数据分析至关重要,而Python凭借其强大的数据处理能力和丰富的库支持,已成为该领域的首选工具。Python作为基石,提供简洁语法和全面功能,适用于从数据预处理到高级分析的各种任务。Pandas库则像是神兵利器,其DataFrame结构让表格型数据的处理变得简单高效,支持数据的增删改查及复杂变换。配合Matplotlib这一数据可视化的魔法棒,能以直观图表展现数据分析结果。掌握这三大神器,你也能成为数据分析领域的高手!
79 2
|
3月前
|
机器学习/深度学习 算法 数据挖掘
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
本文介绍了2023年第二届钉钉杯大学生大数据挑战赛初赛A题的Python代码分析,涉及智能手机用户监测数据分析中的聚类分析和APP使用情况的分类与回归问题。
84 0
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
|
11天前
|
SQL 数据挖掘 Python
数据分析编程:SQL,Python or SPL?
数据分析编程用什么,SQL、python or SPL?话不多说,直接上代码,对比明显,明眼人一看就明了:本案例涵盖五个数据分析任务:1) 计算用户会话次数;2) 球员连续得分分析;3) 连续三天活跃用户数统计;4) 新用户次日留存率计算;5) 股价涨跌幅分析。每个任务基于相应数据表进行处理和计算。