使用SQL操纵R数据框架
使用SQL在R编程中操纵数据框架,可以通过 sqldf 包轻松完成。R中的这个包提供了一种机制,允许用SQL操作数据框架,也有助于与有限数量的数据库连接。R中的sqldf包基本上用于在数据帧上执行SQL命令或语句。人们可以简单地使用数据框架名称而不是R中的表名来指定SQL语句,然后会发生以下事情:
- 一个具有适当模式或表布局的数据库被创建。
- 数据框架被自动加载到创建的数据库中
- 特定的SQL语句或命令被执行
- 结果被检索回R,并且
- 自动删除该数据库。
这使得数据库的存在相当透明。这种方法可以导致更快的R计算。结果是通过一些启发式方法得到的,以确定分配给结果数据框中每一列的类别。
在R中使用sqldf
使用sqldf包可以在R中进行少量的SQL操作。让我们使用海威数据的两个csv文件。
- crashes.csv,其中包含年份,道路,N_Crashes,和数量。
- roads.csv,包含道路、地区和长度。
为了使用sqldf包,首先安装它,如下所示:
install.packages("sqldf")
正确安装后,在R脚本中包含该软件包,如下所示:
library(sqldf)
现在在脚本中加载数据。为了做到这一点,使用 setwd() 函数将目前的目录改为包含crashes.csv和roads.csv文件的目录。
例子:
# Importing required library
library(sqldf)
# Changing the directory
setwd("C:\\Users\\SHAONI\\Documents\\
R\\win-library")
# Reading the csv files
crashes <- read.csv("crashes.csv")
roads <- read.csv("roads.csv")
# Displaying the data in crashes.csv
head(crashes)
tail(crashes)
# Displaying the data in roads.csv
print(roads)
输出:
Year Road N_Crashes Volume
1 1991 Interstate 65 25 40000
2 1992 Interstate 65 37 41000
3 1993 Interstate 65 45 45000
4 1994 Interstate 65 46 45600
5 1995 Interstate 65 46 49000
6 1996 Interstate 65 59 51000
Year Road N_Crashes Volume
105 2007 Interstate 275 32 21900
106 2008 Interstate 275 21 21850
107 2009 Interstate 275 25 22100
108 2010 Interstate 275 24 21500
109 2011 Interstate 275 23 20300
110 2012 Interstate 275 22 21200
Road District Length
1 Interstate 65 Greenfield 262
2 Interstate 70 Vincennes 156
3 US-36 Crawfordsville 139
4 US-40 Greenfield 150
5 US-52 Crawfordsville 172
现在使用sqldf包的 sqldf( )函数对这些数据执行任何SQL操作。
连接和合并数据框架
最常见的SQL操作是 连接操作。 我们可以使用 sqldf() 来执行左联和内联 。 目前, sqldf() 并不支持完全的外连接和右连接操作。除了sqldf包,我们还需要包括 tcltk 包。
例1:执行左连接操作
# Perform Left Join
# Importing required library
library(sqldf)
library(tcltk)
# Setting the directory
setwd("C:\\Users\\SHAONI\\Documents\\
R\\win-library")
# Reading the csv files
crashes <- read.csv("crashes.csv")
roads <- read.csv("roads.csv")
# Performing left join
join_string <- "select crashes.*,
roads.District,
roads.Length
from crashes
left join
roads on
crashes.Road = roads.Road"
# Resultant data frame
crashes_join_roads <- sqldf(join_string,
stringsAsFactors = FALSE)
head(crashes_join_roads)
tail(crashes_join_roads)
输出:
Year Road N_Crashes Volume District Length
1 1991 Interstate 65 25 40000 Greenfield 262
2 1992 Interstate 65 37 41000 Greenfield 262
3 1993 Interstate 65 45 45000 Greenfield 262
4 1994 Interstate 65 46 45600 Greenfield 262
5 1995 Interstate 65 46 49000 Greenfield 262
6 1996 Interstate 65 59 51000 Greenfield 262
Year Road N_Crashes Volume District Length
105 2007 Interstate 275 32 21900 <NA> NA
106 2008 Interstate 275 21 21850 <NA> NA
107 2009 Interstate 275 25 22100 <NA> NA
108 2010 Interstate 275 24 21500 <NA> NA
109 2011 Interstate 275 23 20300 <NA> NA
110 2012 Interstate 275 22 21200 <NA> NA
解释:
crashes_join_roads是由sqldf语句创建的一个新的数据框,它存储了连接操作的结果。sqldf()函数或操作在进行SQL操作的同时,至少需要一个字符串字符。stringsAsFactors参数用于为分类数据分配字符类,而不是因子类。
例2:执行内联
# Perform Inner Join
# Importing required package
library(sqldf)
library(tcltk)
# Selecting the proper directory
setwd("C:\\Users\\SHAONI\\Documents\\
R\\win-library")
# Reading the csv files
crashes <- read.csv("crashes.csv")
roads <- read.csv("roads.csv")
# Performing the inner join
join_string2 <- "select crashes.*,
roads.District,
roads.Length
from crashes
inner join
roads on
crashes.Road = roads.Road"
# The new data frame
crashes_join_roads2 <- sqldf(join_string2,
stringsAsFactors = FALSE)
head(crashes_join_roads2)
tail(crashes_join_roads2)
输出:
Year Road N_Crashes Volume District Length
1 1991 Interstate 65 25 40000 Greenfield 262
2 1992 Interstate 65 37 41000 Greenfield 262
3 1993 Interstate 65 45 45000 Greenfield 262
4 1994 Interstate 65 46 45600 Greenfield 262
5 1995 Interstate 65 46 49000 Greenfield 262
6 1996 Interstate 65 59 51000 Greenfield 262
Year Road N_Crashes Volume District Length
83 2007 US-36 49 24000 Crawfordsville 139
84 2008 US-36 52 24500 Crawfordsville 139
85 2009 US-36 55 24700 Crawfordsville 139
86 2010 US-36 35 23000 Crawfordsville 139
87 2011 US-36 33 21000 Crawfordsville 139
88 2012 US-36 31 20500 Crawfordsville 139
这里只有匹配的行被保留在结果数据框中。
现在我们来看看 merge() 函数是如何工作的。在R中,合并操作能够执行左联接、右联接、内联接和全外联接,这与sqldf()函数不同。而且,人们可以很容易地使用merge()操作来执行sqldf()那样的等效操作。
例3:
# Perform Merge operation
# Import required library
library(sqldf)
library(tcltk)
setwd("C:\\Users\\SHAONI\\Documents\\
R\\win-library")
# Reading the two csv files
crashes <- read.csv("crashes.csv")
roads <- read.csv("roads.csv")
# Merge the two data frames
crashes_merge_roads2 <- merge(crashes,
roads,
by = c("Road"),
all.x = TRUE)
head(crashes_merge_roads2)
tail(crashes_merge_roads2)
输出:
Road Year N_Crashes Volume District Length
1 Interstate 275 1994 21 21200 <NA> NA
2 Interstate 275 1995 28 23200 <NA> NA
3 Interstate 275 1996 22 20000 <NA> NA
4 Interstate 275 1997 27 18000 <NA> NA
5 Interstate 275 1998 21 19500 <NA> NA
6 Interstate 275 1999 22 21000 <NA> NA
Road Year N_Crashes Volume District Length
105 US-40 2003 94 55200 Greenfield 150
106 US-40 2004 25 55300 Greenfield 150
107 US-40 2009 67 65000 Greenfield 150
108 US-40 2010 102 67000 Greenfield 150
109 US-40 2011 87 67500 Greenfield 150
110 US-40 2012 32 67500 Greenfield 150
我们将看到,当我们使用merge()函数时,结果数据框中的行被重新排列。
使用where子句
R可以执行与SQL完全相同的操作。因此,使用SQL语句中的where 子句 来包含任何条件 。
例子:
让我们看看如何通过在查询中加入where子句,使用合并和子集操作的组合来执行内部连接。
# Using where clause
# Importing required library
library(sqldf)
library(plyr)
library(tcltk)
setwd("C:\\Users\\SHAONI\\Documents\\
R\\win-library")
crashes <- read.csv("crashes.csv")
roads <- read.csv("roads.csv")
# Using the where clause
join_string2 <- "select crashes.*,
roads.District,
roads.Length
from crashes
inner join
roads on
crashes.Road = roads.Road
where
crashes.Road = 'US-40'"
crashes_join_roads4 <- sqldf(join_string2,
stringsAsFactors = FALSE)
head(crashes_join_roads4)
tail(crashes_join_roads4)
输出:
Year Road N_Crashes Volume District Length
1 1991 US-40 46 21000 Greenfield 150
2 1992 US-40 101 21500 Greenfield 150
3 1993 US-40 76 23000 Greenfield 150
4 1994 US-40 72 21000 Greenfield 150
5 1995 US-40 75 24000 Greenfield 150
6 1996 US-40 136 23500 Greenfield 150
Year Road N_Crashes Volume District Length
17 2007 US-40 45 59500 Greenfield 150
18 2008 US-40 23 61000 Greenfield 150
19 2009 US-40 67 65000 Greenfield 150
20 2010 US-40 102 67000 Greenfield 150
21 2011 US-40 87 67500 Greenfield 150
22 2012 US-40 32 67500 Greenfield 150
聚合函数
在sqldf包中,可以使用 group by子句 进行聚合操作 。
例子:
# Perform aggregate operations
# Import required library
library(sqldf)
library(tcltk)
setwd("C:\\Users\\SHAONI\\Documents\\
R\\win-library")
crashes <- read.csv("crashes.csv")
roads <- read.csv("roads.csv")
# Group by clause
group_string <- "select crashes.Road,
avg(crashes.N_Crashes)
as Mean_Crashes
from crashes
left join
roads on
crashes.Road = roads.Road
group by 1"
sqldf(group_string)
输出:
Road Mean_Crashes
1 Interstate 275 24.95455
2 Interstate 65 107.81818
3 Interstate 70 65.18182
4 US-36 48.00000
5 US-40 68.68182
sqldf()函数可用于执行某些类型的数据操作。为了克服这些限制,可以使用R脚本中的 plyr 包。Hadley Wickham的 plyr包 可以用来进行高级计算和数据操作。让我们看看它是如何工作的。
例子:
# Importing required library
library(sqldf)
library(plyr)
library(tcltk)
setwd("C:\\Users\\SHAONI\\Documents\\
R\\win-library")
crashes <- read.csv("crashes.csv")
roads <- read.csv("roads.csv")
ddply(
crashes_merge_roads,
c("Road"),
function(X)
data.frame(
Mean_Crashes = mean(XN_Crashes),
Q1_Crashes = quantile(XN_Crashes, 0.25),
Q3_Crashes = quantile(XN_Crashes, 0.75),
Median_Crashes = quantile(XN_Crashes, 0.50))
)
输出:
Road Mean_Crashes Q1_Crashes Q3_Crashes Median_Crashes
1 Interstate 65 107.81818 63.25 140.25 108.5
2 Interstate 70 65.18182 52.00 75.50 66.5
3 US-36 48.00000 42.00 57.25 47.0
4 US-40 68.68182 45.25 90.75 70.0