大家好，我是东哥。
大家都知道，Python 和 SAS 是两个很常用的数据挖掘工具。Python 开源、免费、有丰富的三方库，一般在互联网公司广泛使用。而SAS需付费，且费用较高，一般互联网公司无法承担，更多的是在银行等传统金融机构中使用，不过这两年由于Python太火，原本使用SAS的也开始逐渐转向Python了。
拥抱开源，越来越多的爱好者造出优秀的Python轮子，比如当下比较流行的万金油模型Xgboost、LightGBM，在各种竞赛的top级方案中均有被使用。而SAS的脚步就比较慢了，对于一些比较新的东西都无法直接提供，所以对于那些使用SAS的朋友，就很难受了。
一直以来很多粉丝问过东哥这个问题：有没有一种可以将Python模型转成SAS的工具？
因为我本身是两个技能都具备的，实际工作中一般都是配合使用，也很少想过进行转换。但是，最近东哥逛技术论坛刚好发现了一个骚操作，借助Python的三方库m2cgen和Python脚本即可完成Python模型到SAS的转换。
m2cgen是什么？
m2cgen是一个Python的第三方库，主要功能就是将Python训练过的模型转换为其它语言，比如 R 和 VBA。遗憾的是，目前m2cgen尚不支持SAS，但这并不影响我们最终转换为SAS。
我们仍然使用m2cgen，需要借助它间接转换成SAS。具体的方案就是先将Python模型转换为VBA代码，然后再将VBA代码更改为 SAS脚本，曲线救国。
如何使用m2cgen？
我直接用一个例子说明下如何操作。
数据我们使用sklearn自带的iris dataset，链接如下：
https://scikit-learn.org/stable/auto_examples/datasets/plot_iris_dataset.html
面，演示一下如何将Python的XGBoost模型转成SAS代码。
首先导入所需的库包和数据。
# 导入库 import pandas as pd import numpy as np import os import re from sklearn import datasets from xgboost import XGBClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score import m2cgen as m2c # 导入数据 iris = datasets.load_iris() X = iris.data Y = iris.target
后，我们划分数据集，直接扔进XGBoost里面，建立base模型。
# 划分数据为训练集和测试集 seed = 2020 test_size = 0.3 X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed) # 训练数据 model = XGBClassifier() model.fit(X_train, y_train)
然后，再将XGBoost模型转换为VBA。使用m2cgen的export_to_visual_basic方法就可以直接转成VBA了。转换成其他语言脚本也是同理，非常简单。
code = m2c.export_to_visual_basic(model, function_name = 'pred')
核心的骚操作来了！
m2cgen不支持SAS，但我们可以把VBA代码稍加改动，就能变成符合SAS标准的代码了。而这个改动也无需手动一个个改，写一段Python脚本即可实现VBA脚本转换为SAS脚本。
改动的地方不多，主要包括：删除在SAS环境中不能使用的代码，像上面结果中的Module xxx，Function yyy ，Dim var Z As Double，还有在语句结尾加上;，这些为的就是遵循SAS的语法规则。
下面就是转换的Python脚本，可以自动执行上面所说的转换操作。
# 1、移除SAS中不能使用的代码 code = re.sub('Dim var.* As Double', '', code) code = re.sub('End If', '', code) # 下面操作将修改成符合SAS的代码 # 2、修改起始 code = re.sub('Module Model\nFunction pred\(ByRef inputVector\(\) As Double\) As Double\(\)\n', 'DATA pred_result;\nSET dataset_name;', code) # 3、修改结尾 code = re.sub('End Function\nEnd Module\n', 'RUN;', code) # 4、在结尾加上分号';' all_match_list = re.findall('[0-9]+\n', code) for idx in range(len(all_match_list)): original_str = all_match_list[idx] new_str = all_match_list[idx][:-1]+';\n' code = code.replace(original_str, new_str) all_match_list = re.findall('\)\n', code) for idx in range(len(all_match_list)): original_str = all_match_list[idx] new_str = all_match_list[idx][:-1]+';\n' code = code.replace(original_str, new_str) # 用var来替代inputVector dictionary = {'inputVector(0)':'sepal_length', 'inputVector(1)':'sepal_width', 'inputVector(2)':'petal_length', 'inputVector(3)':'petal_width'} for key in dictionary.keys(): code = code.replace(key, dictionary[key]) # 修改预测标签 code = re.sub('Math.Exp', 'Exp', code) code = re.sub('pred = .*\n', '', code) temp_var_list = re.findall(r"var[0-9]+\(\d\)", code) for var_idx in range(len(temp_var_list)): code = re.sub(re.sub('\\(', '\\(', re.sub('\\)', '\\)', temp_var_list[var_idx])), iris.target_names[var_idx]+'_prob', code)
对以上脚本分步解释说明一下。
1、开头、结尾、输出名称
前三个部分非常简单。使用正则表达式删除多余的行，然后将脚本的开头更改为DATA pred_result; \ nSETdataset_name;。
使用过SAS的同学就很熟悉了，pred_result是运行SAS脚本后的输出表名称，dataset_name是我们需要预测的输入表名称。
最后再将脚本的结尾更改为RUN;。
# 移除SAS中不能使用的代码 code = re.sub('Dim var.* As Double', '', code) code = re.sub('End If', '', code) # 下面操作将修改成符合SAS的代码 # 修改起始 code = re.sub('Module Model\nFunction pred\(ByRef inputVector\(\) As Double\) As Double\(\)\n', 'DATA pred_result;\nSET dataset_name;', code) # 修改结尾 code = re.sub('End Function\nEnd Module\n', 'RUN;', code)
2、语句末尾添加分号
为遵循SAS中的语法规则，还需将每个语句的结尾加上;。仍用正则表达式，然后for循环在每一行最后添加字符;即可。
# 在结尾加上分号';' all_match_list = re.findall('[0-9]+\n', code) for idx in range(len(all_match_list)): original_str = all_match_list[idx] new_str = all_match_list[idx][:-1]+';\n' code = code.replace(original_str, new_str) all_match_list = re.findall('\)\n', code) for idx in range(len(all_match_list)): original_str = all_match_list[idx] new_str = all_match_list[idx][:-1]+';\n' code = code.replace(original_str, new_str)
3、映射变量名称
使用字典将InputVector与变量名称映射到输入数据集中，一次性更改所有InputVector。
# 用var来替代inputVector dictionary = {'inputVector(0)':'sepal_length', 'inputVector(1)':'sepal_width', 'inputVector(2)':'petal_length', 'inputVector(3)':'petal_width'} for key in dictionary.keys(): code = code.replace(key, dictionary[key])
4、映射变量名称
最后一步就是更改预测标签。
# 修改预测标签 code = re.sub('Math.Exp', 'Exp', code) code = re.sub('pred = .*\n', '', code) temp_var_list = re.findall(r"var[0-9]+\(\d\)", code) for var_idx in range(len(temp_var_list)): code = re.sub(re.sub('\\(', '\\(', re.sub('\\)', '\\)', temp_var_list[var_idx])), iris.target_names[var_idx]+'_prob', code)
然后保存sas模型文件。
＃保存输出 vb = open('vb1.sas', 'w') vb.write(code) vb.close()
最后，为了验证sas脚本是否正确，我们将sas模型的预测结果和Python的结果进行一下对比。
# python 预测 python_pred = pd.DataFrame(model.predict_proba(X_test)) python_pred.columns = ['setosa_prob','versicolor_prob','virginica_prob'] python_pred # sas 预测 sas_pred = pd.read_csv('pred_result.csv') sas_pred = sas_pred.iloc[:,-3:] sas_pred (abs(python_pred - sas_pred) > 0.00001).sum()
可以看到，两个预测的结果基本上一样，基本没问题，我们就可以在sas中跑xgboost模型了。
总结
上面只是个最简单的示例，没有对特征处理。对于复杂的建模过程，比如很多特征工程，那就要对Python脚本进一步调整了。
觉得这个方法比较新颖，拿来分享一下，大家也可举一反三。如果铁子们有更多好玩的方法，欢迎文章下面留言。
