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