É possível fazer um case-insensitive DISTINCT com a SAS (PROC SQL)?
Pergunta
Existe uma maneira de obter as linhas distintas de esta consulta SAS SQL maiúsculas e minúsculas? ...
SELECT DISTINCT country FROM companies;
A solução ideal consistiria em uma única consulta.
Os resultados agora olhar como:
Australia
australia
AUSTRALIA
Hong Kong
HONG KONG
... onde qualquer uma das 2 linhas distintas é realmente necessário
Um poderia maiúsculas os dados, mas estes valores mudanças desnecessariamente de uma forma que não combina com o propósito de esta consulta.
Solução
Se você tem alguma chave int primária (vamos chamá-lo ID), você pode usar:
SELECT country FROM companies
WHERE id =
(
SELECT Min(id) FROM companies
GROUP BY Upper(country)
)
Outras dicas
A normalização caso parece aconselhável - se 'Austrália', 'Australia' e 'Austrália' tudo ocorrer, o que um dos três que você quer como a resposta "caso sensibilidade única" para a sua consulta, depois de tudo? Se você está interessado em algumas heurísticas específicas (por exemplo, contar quantas vezes eles ocorrem e escolher o mais popular), este pode certamente ser feito, mas poderia ser uma enorme quantidade de trabalho extra - assim, quanto vale tal persnicketiness para você ?
Um método não-SQL (realmente apenas um único passo que a etapa de dados apenas cria uma visão) seria:
data companies_v /view=companies_v;
set companies (keep=country);
_upcase_country = upcase(country);
run;
proc sort data=companies_v out=companies_distinct_countries (drop=_upcase_country) nodupkey noequals;
by _upcase_country;
run;
Talvez eu estou faltando alguma coisa, mas porque não basta:
data testZ;
input Name $;
cards4;
Bob
Zach
Tim
Eric
Frank
ZacH
BoB
eric
;;;;
run;
proc sql;
create view distinctNames as
select distinct Upper(Name) from testz;
quit;
Isso cria uma exibição com apenas nomes distintos como valores de linha.
Eu estava pensando ao longo das mesmas linhas como Zach , mas pensei que eu iria olhar para o problema com um exemplo mais elaborado,
proc sql;
CREATE TABLE contacts (
line1 CHAR(30), line2 CHAR(30), pcode CHAR(4)
);
* Different versions of the same address - L23 Bass Plaza 2199;
INSERT INTO contacts values('LEVEL 23 bass', 'plaza' '2199');
INSERT INTO contacts values('level 23 bass ', ' PLAZA' '2199');
INSERT INTO contacts values('Level 23', 'bass plaza' '2199');
INSERT INTO contacts values('level 23', 'BASS plaza' '2199');
*full address in line 1;
INSERT INTO contacts values('Level 23 bass plaza', '' '2199');
INSERT INTO contacts values(' Level 23 BASS plaza ', '' '2199');
;quit;
Agora podemos saída
Eu. Um de cada categoria? Ou seja, três endereços?
ou
ii. Ou apenas um endereço? em caso afirmativo qual versão devemos prefere?
caso Implementação 1 pode ser tão simples como:
proc sql;
SELECT DISTINCT UPCASE(trim(line1)), UPCASE(trim(line2)), pcode
FROM contacts
;quit;
caso Implementação 2 pode ser tão simples como:
proc sql;
SELECT DISTINCT UPCASE( trim(line1) || ' ' || trim(line2) ) , pcode
FROM contacts
;quit;
De SAS 9:
Os dados de ordenação proc = input_ds sortseq = linguística (strengh = primário);
by sort_vars;
executar;
Eu acho que expressões regulares podem ajudá-lo com o padrão que você quer ter em sua cadeia de pesquisa.
Para a expressão regular que você pode definir um UDF que pode ser preparado de ver o tutorial. www.sqlteam.com/article/regular-expressions-in-t-sql
Graças.