SAS-Migration mit Ihren Coding-Agenten

data work.big_orders;
  set sales.orders;
  where amt > 1000;
  tier = 'Key';
  net = amt * 0.9;
run;

proc sql;
  create table work.by_region as
  select region, sum(net) as net
  from work.big_orders
  group by region;
quit;

# Converted by Alchemist
from pyspark.sql import functions as F

big_orders = (
  spark.table("sales.orders")
  .filter(F.col("amt") > 1000)
  .withColumn("tier", F.lit("Key"))
  .withColumn("net", F.col("amt") * 0.9)
)

by_region = (
  big_orders.groupBy("region")
  .agg(F.sum("net").alias("net"))
)
by_region.createOrReplaceTempView(
  "by_region"
)

Gleiche Engine, gleiches PySpark, ob der Code auf Databricks, Snowflake oder Microsoft Fabric läuft. Agenten sind ein Zugang zum Toolkit für die SAS-zu-PySpark-Migration, das außerdem Ihre SAS-Landschaft analysiert und die Migration rund um die Konvertierung automatisiert.

1. Zeit

   Ein manuelles Umschreiben von SAS-Code dauert Monate, und die meiste Zeit fließt in repetitives Übersetzen statt in Design.

2. Konsistenz

   Jeder Entwickler übersetzt etwas anders, und über Hunderte von Programmen summieren sich diese Unterschiede zu Logikabweichungen.

3. Wer mitwirken kann

   Wenn nur Entwickler konvertieren können, warten Fach- und Analytics-Teams, bis sie an der Reihe sind. Mit Agenten bearbeiten sie ihren eigenen Umfang selbst.

1. 1 · Ihr AgentDatabricks Genie, Snowflake Cortex, Microsoft Copilot, Claude CodeAnfrage in natürlicher Sprache →
2. 2 · AlchemistSkill → Alchemist APIapi.getalchemist.iokonvertierter Code →
3. 3 · Ihr NotebookPrüfen, verfeinern, ausführen

• Databricks Genie
• Snowflake Cortex
• Microsoft Copilot
• Claude Code
• Jeder MCP-Client (in Entwicklung)