太騷了！Python模型完美切換SAS，還能這么玩。。

作者：東哥起飛

來源：Python數(shù)據科學

大家都知道，Python 和 SAS 是兩個很常用的數(shù)據挖掘工具。Python 開源、免費、有豐富的三方庫，一般在互聯(lián)網公司廣泛使用。而SAS需付費，且費用較高，一般互聯(lián)網公司無法承擔，更多的是在銀行等傳統(tǒng)金融機構中使用，不過這兩年由于Python太火，原本使用SAS的也開始逐漸轉向Python了。

擁抱開源，越來越多的愛好者造出優(yōu)秀的Python輪子，比如當下比較流行的萬金油模型Xgboost、LightGBM，在各種競賽的top級方案中均有被使用。而SAS的腳步就比較慢了，對于一些比較新的東西都無法直接提供，所以對于那些使用SAS的朋友，就很難受了。

一直以來很多粉絲問過東哥這個問題：有沒有一種可以將Python模型轉成SAS的工具？

因為我本身是兩個技能都具備的，實際工作中一般都是配合使用，也很少想過進行轉換。但是，最近東哥逛技術論壇剛好發(fā)現(xiàn)了一個騷操作，借助Python的三方庫m2cgen和Python腳本即可完成Python模型到SAS的轉換。

m2cgen是什么？

m2cgen是一個Python的第三方庫，主要功能就是將Python訓練過的模型轉換為其它語言，比如 R 和 VBA。遺憾的是，目前m2cgen尚不支持SAS，但這并不影響我們最終轉換為SAS。

我們仍然使用m2cgen，需要借助它間接轉換成SAS。具體的方案就是先將Python模型轉換為VBA代碼，然后再將VBA代碼更改為 SAS腳本，曲線救國。

如何使用m2cgen？

我直接用一個例子說明下如何操作。

數(shù)據我們使用sklearn自帶的iris dataset，鏈接如下：

https://scikit-learn.org/stable/auto_examples/datasets/plot_iris_dataset.html

下面，演示一下如何將Python的XGBoost模型轉成SAS代碼。

首先導入所需的庫包和數(shù)據。

# 導入庫
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
# 導入數(shù)據
iris = datasets.load_iris()
X = iris.data
Y = iris.target

然后，我們劃分數(shù)據集，直接扔進XGBoost里面，建立base模型。

# 劃分數(shù)據為訓練集和測試集
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)
# 訓練數(shù)據
model = XGBClassifier()
model.fit(X_train, y_train)

然后，再將XGBoost模型轉換為VBA。使用m2cgen的export_to_visual_basic方法就可以直接轉成VBA了。轉換成其他語言腳本也是同理，非常簡單。

code = m2c.export_to_visual_basic(model, function_name = 'pred')

核心的騷操作來了！

m2cgen不支持SAS，但我們可以把VBA代碼稍加改動，就能變成符合SAS標準的代碼了。而這個改動也無需手動一個個改，寫一段Python腳本即可實現(xiàn)VBA腳本轉換為SAS腳本。

改動的地方不多，主要包括：刪除在SAS環(huán)境中不能使用的代碼，像上面結果中的Module xxx，Function yyy ，Dim var Z As Double，還有在語句結尾加上;，這些為的就是遵循SAS的語法規(guī)則。

下面就是轉換的Python腳本，可以自動執(zhí)行上面所說的轉換操作。

# 1、移除SAS中不能使用的代碼
code = re.sub('Dim var.* As Double', '', code)
code = re.sub('End If', '', code)
# 下面操作將修改成符合SAS的代碼
# 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、修改結尾
code = re.sub('End Function\nEnd Module\n', 'RUN;', code)
# 4、在結尾加上分號';'
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來替代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])
# 修改預測標簽
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)

對以上腳本分步解釋說明一下。

1、開頭、結尾、輸出名稱

前三個部分非常簡單。使用正則表達式刪除多余的行，然后將腳本的開頭更改為DATA pred_result; \ nSETdataset_name;。

使用過SAS的同學就很熟悉了，pred_result是運行SAS腳本后的輸出表名稱，dataset_name是我們需要預測的輸入表名稱。

最后再將腳本的結尾更改為RUN;。

# 移除SAS中不能使用的代碼
code = re.sub('Dim var.* As Double', '', code)
code = re.sub('End If', '', code)
# 下面操作將修改成符合SAS的代碼
# 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)
# 修改結尾
code = re.sub('End Function\nEnd Module\n', 'RUN;', code)

2、語句末尾添加分號

為遵循SAS中的語法規(guī)則，還需將每個語句的結尾加上;。仍用正則表達式，然后for循環(huán)在每一行最后添加字符;即可。

# 在結尾加上分號';'
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、映射變量名稱

使用字典將InputVector與變量名稱映射到輸入數(shù)據集中，一次性更改所有InputVector。

# 用var來替代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、映射變量名稱

最后一步就是更改預測標簽。

# 修改預測標簽
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。

＃保存輸出
vb = open('vb1.sas', 'w')
vb.write(code)
vb.close()

最后，為了驗證sas腳本是否正確，我們將sas模型的預測結果和Python的結果進行一下對比。

# python 預測
python_pred = pd.DataFrame(model.predict_proba(X_test))
python_pred.columns = ['setosa_prob','versicolor_prob','virginica_prob']
python_pred
# sas 預測
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，兩個預測的結果基本上一樣，基本沒問題，我們就可以在sas中跑xgboost模型了。

總結

上面只是個最簡單的示例，沒有對特征處理。對于復雜的建模過程，比如很多特征工程，那就要對Python腳本進一步調整了。

覺得這個方法比較新穎，拿來分享一下，大家也可舉一反三。如果鐵子們有更多好玩的方法，歡迎文章下面留言。

參考：https://towardsdatascience.com/converting-machine-learning-models-to-sas-using-m2cgen-python-190d846090dc