如何使用dplyr获得相同的分组结果以获得与sqldf结果一致的结果？

问题描述

我尝试使用 sqldf 和 dplyr 实现 sql 查询。
我需要使用这两个不同的库分别执行此操作。
不幸的是，我无法使用 dplyr 产生相同的结果。

library(sqldf)
library(dplyr)

Id       <- c(1,2,3,4)
HasPet   <- c(0,1,1)
Age      <- c(20,14,10)

Posts <- data.frame(Id,HasPet,Age)

# sqldf way
ref <- sqldf("
      SELECT Id,MAX(Age) AS MaxAge
      FROM Posts
      GROUP BY HasPet
  ")

# dplyr way
res <- Posts %>%
  group_by(HasPet) %>%
  summarize(
    Id,MaxAge = max(Age)
    ) %>%
  select(Id,MaxAge)

head(ref)
head(res)

sqldf 的输出是：

> head(ref)
  Id HasPet MaxAge
1  1      0     20
2  3      1     14

虽然 sqldf 的输出不同：

> head(res)
# A tibble: 4 x 3
# Groups:   HasPet [2]
     Id HasPet MaxAge
  <dbl>  <dbl>  <dbl>
1     1      0     20
2     2      0     20
3     3      1     14
4     4      1     14

更新。无法修改 sql 查询。

解决方法

代码没有错，但你试图实现的逻辑就是它。让我解释一下：

您的分组的预期输出包含 Id=1,3。但是 R 如何知道是那些而不是 Id=2,4？。更具体地说，当您按 HasPet=0 分组时，R 会选择 Id 的哪个值？ 1 还是 2？如果您没有给出具体的使用标准，R 将如何知道它？也就是说，这给出了您的预期输出：

res <- Posts %>%
  group_by(HasPet) %>%
  summarize(Id = min(Id),MaxAge = max(Age))

,

您的问题的答案是 SQL 查询不与您的 R 代码版本做同样的事情。这是等效的 SQL 查询：

SELECT Id,HasPet,MAX(Age) OVER (PARTITION BY HasPet) AS MaxAge
FROM Posts

实际上，您当前的查询在技术上是无效的，因为它按 HasPet 聚合，但选择了 Id。不清楚您要选择的Id 的值。这是原始查询的有效版本：

SELECT HasPet,MAX(Age) AS MaxAge
FROM Posts
GROUP BY HasPet

,

这个问题可以用以下方法解决：

slice(which.min(Id))

在“group_by”和“summarize”函数调用之后。

例如：

# dplyr way
res <- Posts %>%
  group_by(HasPet) %>%
  summarize(
    Id,MaxAge = max(Age)
    ) %>%
  select(Id,MaxAge) %>%
  slice(which.min(Id))

在这种情况下，输出与使用 dplyr 相同：

> res
# A tibble: 2 x 3
# Groups:   HasPet [2]
     Id HasPet MaxAge
  <dbl>  <dbl>  <dbl>
1     1      0     20
2     3      1     14

附言我认为有更简单的方法，但目前我还没有找到。