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？答案

【问题标题】：How to get same grouping results using dplyr to get result consistent with sqldf result?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？
【发布时间】：2021-07-17 12:00:04
【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(0,0,1,1)
Age      <- c(20,1,14,10)

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

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

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

UPD。 SQL 查询无法修改。

【问题讨论】：

您希望dplyr 的确切输出是什么？为什么？
@Tim Biegeleisen 这已在某些 R 课程中提出要求。我需要得到与 sqldf 产生的结果相同但使用 dplyr 的结果。这是通过测试的先决条件。

标签： r dplyr grouping sqldf

【解决方案1】：

您的问题的答案是 SQL 查询不与您的 R 代码版本执行相同的操作。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Id 的哪个值。这是您原始查询的有效版本：

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

【讨论】：

感谢您的回答！实际上，我的问题是关于如何获得与 sqldf 相同的行为，但使用 dplyr。相反，您调整了 sqldf 的查询请求。我不知道原始 SQL 查询是否无效。我认为不是，因为它执行时没有警告或错误。
您尝试匹配的 SQL 输出是由无效查询生成的。请解释如何选择 Id 值背后的逻辑。
您确定此请求无效吗？与此特定查询相关的 SQL 文档是否有任何限制？据我了解，来自 sqldf 的最终结果会产生带有 HasPet 列中列出的过滤重复值的结果。我还发现使用“聚合”可以实现与 sqldf 相同的行为（它不是 dplyr 函数）。见stackoverflow.com/questions/6289538/…
我之前的评论有错误的 URL。现在已经修好了。对不起。
我同意你的观点，原始 SQL 请求看起来很奇怪。无论如何，它有效。我不确定 sql 查询在技术上是否无效。

【解决方案2】：

这个问题可以通过以下方式解决：

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,
    HasPet,
    MaxAge = max(Age)
    ) %>%
  select(Id, HasPet, 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：我认为有更简单的方法，但到目前为止我还没有找到它们。

【讨论】：

试试：Posts %>% group_by(HasPet) %>% slice_min(Id) %>% ungroup
@G。 Grothendieck It LGTM，但您的变体具有不同的列名。它返回“Age”列名而不是必需的“AgeMax”。

【解决方案3】：

代码没有错，但你试图实现的逻辑就是它。让我解释一下：

您的分组预期输出包含Id=1,3。但是 R 怎么知道那些而不是 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))

【讨论】：