05-项目中发现的SAS和R差异¶

记录在SHR-A1811-206项目中发现的SAS和R之间的行为差异及对应处理方式

1. NA排序问题 ✅ 已解决¶

问题描述

在SAS中，缺失值（.）在数值排序时默认排在最小值之前（即排第一位）；而R中，NA在排序时默认排在最后。这会导致使用arrange()排序后，数据行顺序与SAS不一致。

示例

# R默认排序：NA排在最后
arrange(data, var)  # NA → 排在末尾

# SAS默认排序：缺失值排在最前
# proc sort data=...; by var; run;  → 缺失值排在最前

解决方法

已通过改写相关内置function - fct_sort_addseq / fct_sort_add_seq解决，在排序时对NA值做特殊处理，使其行为与SAS保持一致：

# 方法：在arrange中用na_value将NA视为最小值
arrange(data, is.na(var), var)  # 先将NA提前，再按var排序

2. SAS数据中NA值与空字符串的区分 ⚠️ 需注意¶

问题描述

在SAS中，字符型变量的缺失值存储为空字符串""，与R中的NA是两个不同概念。使用haven::read_sas()读入SAS数据时，SAS的空字符串会被读入为R的""而非NA，在后续判断缺失值时若直接使用is.na()将无法捕获这些空字符串，需要加以注意。

当前项目的处理方式

项目环境中在批量读入和存储raw数据时，已统一调用haven::convert_blanks_to_na()对所有字符型空字符串进行处理，将其转换为NA，因此**在读取已处理过的rds/RData数据时无需额外处理**。

# 项目中批量读入raw数据时已统一做如下处理
sas_data <- haven::read_sas("data.sas7bdat") %>%
  haven::convert_blanks_to_na()  # 将字符型""批量转为NA

需要注意的场景

若在后续程序中**独立使用haven::read_sas()直接读取SAS原始数据**（而非读取已处理的rds），则需手动处理空字符串，否则is.na()判断将遗漏原本在SAS中为缺失的记录：

# ❌ 未处理时：SAS空字符串读入后为""，is.na()无法捕获
sas_data <- haven::read_sas("data.sas7bdat")
is.na(sas_data$var)   # SAS中的空字符串不会被判断为NA

# ✅ 推荐：读入后立即转换
sas_data <- haven::read_sas("data.sas7bdat") %>%
  haven::convert_blanks_to_na()
is.na(sas_data$var)   # 此时SAS空字符串已转为NA，判断生效

3. 数值转字符时小数位数精度不一致 ❌ 暂无完美解决方案¶

问题描述

在SAS中，常见做法是用put(numeric_var, best12.)将数值型变量转换为字符型（如生成--STRESC变量）。SAS的best格式会根据字段宽度自动选择最优表示方式，通常保留约8位有效数字；而R中使用as.character()转换时，会输出更多位数的小数，导致两边STRESC字符串不一致。

示例

以EG domain为例，EGSTRESC出现3203处差异，BASE（SAS）和COMPARE（R）的数值在数学上近似，但字符串表示不同：

BASE（SAS `put(x, best12.)` ）	COMPARE（R `as.character()` ）
`426.45938446`	`426.459384457014`
`393.03071748`	`393.030717481388`
`396.8711879`	`396.871187903705`

根本原因：SAS和R底层浮点数精度处理逻辑不同，且SAS best格式的截断规则较为复杂，难以在R中完全还原。

目前建议方案

方案一：比对时排除STRESC变量（推荐 ★★★）¶

若--STRESC仅由数值型结果直接转换而来，且--STRESN已通过数值比对，则--STRESC的字符差异属于已知精度问题，可在QC比对时将其排除。

# 使用fct_qc时，通过exclude_vars参数排除
fct_qc(domain = Domain, output_txt = TRUE, show_result = TRUE,
       key_vars = c("STUDYID", "USUBJID", "SUBJID", "EGSEQ"),
       exclude_vars = "EGSTRESC",
       path = path)

# 直接使用diffdf时，通过setdiff排除指定变量
diffdf::diffdf(df1, df2, keys = c("USUBJID", "EGSEQ"),
               vars_to_compare = setdiff(names(df1), "EGSTRESC"))

方案二：手动指定精度转换（不推荐 ★）¶

可尝试用sprintf()或formatC()在R中模拟SAS的有效数字位数，但实际效果不稳定，无法保证与SAS完全一致：

sprintf("%.8g", 396.871187903705)               # "%.8g" 表示8位有效数字
formatC(396.871187903705, digits = 8, format = "g")

不推荐使用options(digits = 8)，该设置为全局数值型小数print位数参数，不适用当前问题。

方案三：编写R函数模拟SAS put行为（不推荐 ★）¶

理论上可编写函数完全模拟put(x, best12.)的输出，但存在以下问题：

SAS best格式在整数、小数、科学计数之间的切换边界条件复杂
不同平台、不同SAS版本的浮点精度行为可能存在细微差异
难以保证所有数值情况下对齐，维护成本高

sas_best <- function(x, width = 12) {
  # 处理 NA
  if (is.na(x)) return(NA_character_)
  # 取绝对值，判断整数部分位数
  int_digits <- floor(log10(abs(x))) + 1
  if (int_digits <= 0) int_digits <- 1   # 小于1的情况
  # 小数部分允许的最大位数（总宽度 - 整数部分位数 - 小数点占1位）
  max_dec <- max(0, width - int_digits - 1)
  # 格式字符串，例如 "%.10f"
  fmt <- sprintf("%%.%df", max_dec)
  # 格式化并去掉尾部无意义的零和点（SAS best 不会输出末尾零）
  res <- sprintf(fmt, x)
  res <- gsub("\\.?0+$", "", res)
  return(res)
}

# 测试
sas_best(396.871187903705, 12)
# 输出 "396.8711879" （与 SAS 一致）

结论：优先使用**方案一**，在STRESN数值比对通过的前提下，跳过STRESC的字符串比对，记录为已知精度差异即可。