Formateringstabeller

Oversæt koder til tekst med DST’s SAS-formateringsfiler

Published

June 6, 2026

Note

Forudsætning: Denne side bruger left_join() til at koble formateringstabeller på dine data. Kender du ikke joins endnu, læs Fase 11 — Joins og pivots først.

Mange variable i DST-registre er gemt som koder — kommunenumre, uddannelseskoder, beskæftigelseskoder. For at give dem meningsfulde labels bruger du DST’s formateringstabeller: SAS-filer på serveren der oversætter koder til tekst.

En formateringstabel har altid mindst to kolonner:

Kolonne Indhold Eksempel
START Den rå kode fra dit register 101 (kommunenummer)
Label-kolonne Den tilsvarende tekstlabel "København"

Du joiner formateringstabellen på dit datasæt med START som nøgle — præcis som et opslag i en ordbog.

Note

Rækker i dit datasæt uden match i formateringstabellen får NA i label-kolonnen — ingen fejlmeddelelse. Tjek altid med sum(is.na(data$label_kolonne)) efter join.

Hvor er formateringstabellerne?

E:/Formater/SAS formater i Danmarks Statistik/SAS_datasaet/

Stjernen (*) på Windows-skrivebordet inde på DST-serveren åbner en HTML-guide til at finde den rigtige tabel. Der ligger også PDF-vejledninger i SAS-formater her:

E:/Formater/SAS formater i Danmarks Statistik/Vejledning mv/

Undermapper er organiseret efter emne — bl.a.:

Geokoder/                ← kommuner, regioner
Times_personstatistik/   ← beskæftigelse (socio13)
Disced/                  ← uddannelse (hfaudd)
Brancher/                ← brancher
Sundhed/                 ← sundhed
Uddannelser/             ← uddannelser
... og flere
Warning

Find selv de konkrete filnavne i mappen. Basestien og undermappestrukturen ovenfor er bekræftet på DST. Men de konkrete filnavne og kolonnenavne længere nede på siden (fx c_kom_v4_t.sas7bdat, KOM_V4_T) er illustrative eksempler — navngivningen varierer, og du skal selv finde den rigtige fil i den relevante undermappe. Brug stjerne-guiden / PDF-vejledningen til at finde filen, og names()/head() til at se de faktiske kolonnenavne.

Indlæs en formateringstabel

Formateringstabeller er SAS-filer og indlæses med haven::read_sas():

library(haven)   # read_sas — indlæsning af SAS-filer

kom_tabel <- read_sas(   # hent formateringstabel som data frame
  "E:/Formater/SAS formater i Danmarks Statistik/SAS_datasaet/Geokoder/c_kom_v4_t.sas7bdat"
)
Note

Formateringstabeller er indlæst direkte i R’s hukommelse (ikke doven evaluering). Du skal bruge collect() på DuckDB-data inden du joiner med dem.

De tre tabeller du vil bruge oftest

Kommunenavne

kom_tabel <- read_sas(
  "E:/Formater/SAS formater i Danmarks Statistik/SAS_datasaet/Geokoder/c_kom_v4_t.sas7bdat"
)
# Kolonner: START (kommunenummer), KOM_V4_T (kommunenavn)
# Brug til år efter kommunalreformen 2007 (V4)

bef_med_kommune <- bef_data %>%
  collect() %>%                                             # collect INDEN join med SAS-fil
  left_join(kom_tabel, by = c("bopkom" = "START"))          # tilknyt kommunenavn via bopkom-kode

Beskæftigelsesstatus (socio13)

Vil du have de rå kode-labels fra DST’s formateringstabel:

socio13_tabel <- read_sas(   # hent label-tabel fra formateringsmappen
  "E:/Formater/SAS formater i Danmarks Statistik/SAS_datasaet/Times_personstatistik/n_socio13_kt.sas7bdat"
)
# Kolonner: START (socio13-kode), N_SOCIO13_KT (label)

akm_med_labels <- akm_data %>%
  left_join(socio13_tabel, by = c("socio13" = "START"))   # tilknyt label per kode

Vil du i stedet bruge SEPLINE-kategoriseringen direkte (anbefalet til analyse):

library(dplyr)   # mutate, case_when

akm_kategoriseret <- akm_data %>%
  mutate(occupation_cat = case_when(             # SEPLINE-kategorier
    socio13 %in% c(110:114, 120, 131:135, 139) ~ "Beskæftiget",
    socio13 == 310                              ~ "Studerende",
    socio13 %in% c(210, 410)                   ~ "Ledig",
    socio13 %in% c(220, 321, 330)              ~ "Udenfor arbejdsmarked",
    socio13 %in% c(322, 323)                   ~ "Pensionist",
    TRUE                                        ~ "Ukendt"   # ukendt kode eller NA
  ))

Uddannelsesniveau (hfaudd)

# Varighed af uddannelse i måneder (norm-varighed + adgangskrav):
udda_tabel <- read_sas(
  "E:/Formater/SAS formater i Danmarks Statistik/SAS_datasaet/Disced/n_audd_pria_l1lx_k.sas7bdat"
)
# Kolonner: START (hfaudd-kode), AUDD_PRIA_L1LX_K (varighed i måneder)

# Kategorisering per SEPLINE-guidelines:
udda_kategoriseret <- udda_data %>%
  left_join(udda_tabel, by = c("hfaudd" = "START")) %>%
  mutate(education_cat = case_when(
    substr(as.character(hfaudd), 1, 2) %in% c("10", "15") ~ "Kort",
    substr(as.character(hfaudd), 1, 2) %in% c("20", "30", "35") ~ "Mellemlang",
    as.numeric(substr(as.character(hfaudd), 1, 2)) >= 40  ~ "Lang",
    TRUE ~ "Ukendt"
  ))

Tips til at finde den rigtige tabel

  1. Åbn stjernen på skrivebordet eller naviger til E:/Formater/... i Stifinder
  2. Kig på suffikset:
    • _T = kun tekst-label
    • _K = kun kode
    • _KT = både kode og tekst
  3. Indlæs tabellen og kig på kolonnerne med names() og head()
names(kom_tabel)   # se hvad kolonnerne hedder — find START og label-kolonnen
head(kom_tabel)    # se de første rækker og forstå strukturen

Se også

Back to top