La trampa del "Many-to-Many" (MERGE vs SQL)

Una creencia común es que la instrucción MERGE del paso DATA es el equivalente exacto de una unión SQL (LEFT JOIN o FULL JOIN). Si bien esto es cierto para relaciones simples (1 a 1 o 1 a N), es totalmente falso para relaciones de tipo "Many-to-Many" (N a N).

La observación: Resultados divergentes

Tomemos un ejemplo simple donde la clave de unión (ID) aparece varias veces en ambas tablas:

Tabla 1: El ID 23456 aparece 2 veces.
Tabla 2: El ID 23456 aparece 2 veces.

Si buscamos combinar estos datos, matemáticamente esperamos obtener $2 \times 2 = 4$ líneas (el producto cartesiano para este ID).

Note :
El enfoque PROC SQL (Producto Cartesiano)
SQL funciona con una lógica de conjuntos (álgebra relacional). Combina cada fila de la tabla A con cada fila correspondiente de la tabla B.

1	PROC SQL;
2	SELECT * FROM dataset1 t1
3	LEFT JOIN dataset2 t2 ON t1.ID = t2.ID;
4	QUIT;

Resultado: 4 filas para el ID 23456. Se crean todas las combinaciones posibles. Este es el comportamiento estándar de una base de datos relacional.

Note :
El enfoque DATA MERGE (Yuxtaposición secuencial)
El paso DATA funciona fila por fila de manera secuencial. Coloca los punteros de lectura "uno al lado del otro".

1	DATA temp;
2	MERGE dataset1 dataset2;
3	BY ID;
4	RUN;

Solo 2 filas para el ID 23456.

¿Qué pasó? SAS^© leyó la primera ocurrencia del ID en la Tabla 1 y la asoció con la primera ocurrencia de la Tabla 2. Luego, leyó la segunda ocurrencia de la Tabla 1 y la asoció con la segunda de la Tabla 2. Como no hay más datos para este ID en ninguna de las dos tablas, pasa al siguiente ID.

Si la Tabla 1 tuviera 2 filas y la Tabla 2 tuviera 3 para el mismo ID, SAS^© habría producido 3 filas, la última fila de la Tabla 1 siendo "retenida" (valores conservados) para llenar el vacío frente a la tercera fila de la Tabla 2.

Conclusión: ¿Cuál elegir?

Use PROC SQL si necesita un producto cartesiano (relación N a N), es decir, cruzar todas las ocurrencias posibles. Este es a menudo el resultado esperado para análisis cruzados.
Use DATA MERGE para relaciones 1 a 1 o 1 a N (tipo "Look-up" / Enriquecimiento de datos). Es mucho más eficiente en términos de tiempo de cálculo para grandes volúmenes, siempre que las claves sean únicas en al menos una de las dos tablas.

Nota técnica: Es técnicamente posible simular un producto cartesiano con un paso DATA (usando dos instrucciones SET y bucles explícitos), pero el código se vuelve innecesariamente complejo. En este caso preciso, la claridad de SQL es inmejorable.

Avertissement important

Les codes et exemples fournis sur WeAreCAS.eu sont à but pédagogique. Il est impératif de ne pas les copier-coller aveuglément sur vos environnements de production. La meilleure approche consiste à comprendre la logique avant de l'appliquer. Nous vous recommandons vivement de tester ces scripts dans un environnement de test (Sandbox/Dev). WeAreCAS décline toute responsabilité quant aux éventuels impacts ou pertes de données sur vos systèmes.

Retour à la liste des articles