【譯文】怎樣在R語言中使用SQL命令
阿新 • • 發佈：2017-07-15
bow all label 數據科學 eid tex 鏈接 方法 params
翻譯感悟：這篇文章的作者不厭其煩地演示了利用怎樣sqldf包在R中實現大部分經常使用的SQL命令，並將其結果和直接調用對應的R函數的結果做了對比。證明了二者的等價性。
【譯文】怎樣在R語言中使用SQL命令
作者 Fisseha Berhane
對於有SQL背景的R語言學習者而言。sqldf是一個很實用的包，由於它使我們能在R中使用SQL命令。僅僅要掌握了主要的SQL技術。我們就能利用它們在R中操作數據框。關於sqldf包的很多其它信息，能夠參看cran。
在這篇文章中，我們將展示怎樣在R中利用SQL命令來連接、檢索、排序和篩選數據。
我們也將展示怎麽利用R語言的函數來實現這些功能。近期我在處理一些FDA（譯者註：食品及藥物管理局）的不良事件數據。這些數據很混亂：有缺失值。有反復記錄，有不同一時候間建立的數據集的可比性問題。不同數據集中變量名稱和數量也不統一（比方一個數據集裏叫sex，還有一個裏叫gender），還有疏忽錯誤等問題。但正因如此，這些數據對於數據科學家或者愛好者而言到是理想的練手對象。
本文使用的FDA不良事件數據能夠從公開渠道獲得，csv格式的數據表能夠從國家經濟研究局下載。通過R從國家經濟研究局的站點下載數據相對更easy，我建議你使用對應的R代碼來下載並探索數據。
不良事件數據集是以季度為發布周期，每一個季度的數據包括了人口信息、藥物/生物信息、不良事件詳情，結果和診斷情況等信息。
讓我們下載數據並使用SQL命令來連接、排序和篩選該數據集中包括的大量數據框。
載入R包
require(downloader)
library(dplyr)
library(sqldf)
library(data.table)
library(ggplot2) 主要的錯誤處理函數tryCatch()
我們將使用這個函數來處理下載的數據。由於數據以季度頻率發布，每年都會有四個觀測值（每年有四條記錄）。執行這個函數能自己主動下載數據，但假設某些季度數據從網上無法獲取（尚未發布）。該函數會返回一條錯誤信息表示無法找到數據集。
如今讓我們下載數據的壓縮包並將其解壓。
try.error = function(url)
{
try_error = tryCatch(download(url,dest="data.zip"), error=function(e) e)
if 下載不良事件數據
我們能夠得到自2004年起的FDA不良事件數據。本文將使用2013年以來發布的數據，我們將檢查截至當前時間的最新數據並下載。
> Sys.time() 函數會返回當前的日期和時間。
> data.table包中的year()函數會從之前返回的當前時間中提取年份信息。
我們將下載人口、藥物、診斷/指示，結果和反應（不良事件）數據。
year_start=2013
year_last=year(Sys.time())
for (i in year_start:year_last){
j=c(1:4)
for (m in j){
url1<-paste0("http://www.nber.org/fda/faers/",i,"/demo",i,"q",m,".csv.zip")
url2<-paste0("http://www.nber.org/fda/faers/",i,"/drug",i,"q",m,".csv.zip")
url3<-paste0("http://www.nber.org/fda/faers/",i,"/reac",i,"q",m,".csv.zip")
url4<-paste0("http://www.nber.org/fda/faers/",i,"/outc",i,"q",m,".csv.zip")
url5<-paste0("http://www.nber.org/fda/faers/",i,"/indi",i,"q",m,".csv.zip")
try.error(url1)
try.error(url2)
try.error(url3)
try.error(url4)
try.error(url5)
}
}
http://www.nber.org/fda/faers/2015/demo2015q4.csv.zip not found
...
http://www.nber.org/fda/faers/2016/indi2016q4.csv.zip not found依據上面的錯誤信息。截至成文時間（2016年3月13日）。我們最多能夠獲得2015年第三季度的不良事件數據。
> list.files()函數會字符串向量的形式返回當前工作文件夾下全部文件的名字。
> 我會使用正則表達式對各個數據集的類別進行篩選。
比方^demo.*.csv表示全部名字以demo開頭的csv文件。
filenames <- list.files(pattern="^demo.*.csv", full.names=TRUE)
cat(‘We have downloaded the following quarterly demography datasets‘)
filenames我們已經下載了下列季度人口數據
"./demo2012q1.csv" "./demo2012q2.csv" "./demo2012q3.csv" "./demo2012q4.csv" "./demo2013q1.csv" "./demo2013q2.csv" "./demo2013q3.csv" "./demo2013q4.csv" "./demo2014q1.csv" "./demo2014q2.csv" "./demo2014q3.csv" "./demo2014q4.csv" "./demo2015q1.csv" "./demo2015q2.csv" "./demo2015q3.csv"讓我們用data.table包中的fread()函數來讀入這些數據集，以人口數據為例：
demo=lapply(filenames,fread)接著讓我們把它們轉換數據結構並合並成一個數據框：
demo_all=do.call(rbind,lapply(1:length(demo),function(i) select(as.data.frame(demo[i]),primaryid,caseid, age,age_cod,event_dt,sex,reporter_country)))
dim(demo_all)
3554979 7 我們看到人口數據有超過350萬行觀測（記錄）。
譯者註：以下的內容都是反復這個流程。能夠略過
如今讓我們合並全部的藥品數據
filenames <- list.files(pattern="^drug.*.csv", full.names=TRUE)
cat(‘We have downloaded the following quarterly drug datasets:\n‘)
filenames
drug=lapply(filenames,fread)
cat(‘\n‘)
cat(‘Variable names:\n‘)
names(drug[[1]])
drug_all=do.call(rbind,lapply(1:length(drug), function(i) select(as.data.frame(drug[i]),primaryid,caseid, drug_seq,drugname,route)))我們已經下載了下列季度藥品數據集
"./drug2012q1.csv" "./drug2012q2.csv" "./drug2012q3.csv" "./drug2012q4.csv" "./drug2013q1.csv" "./drug2013q2.csv" "./drug2013q3.csv" "./drug2013q4.csv" "./drug2014q1.csv" "./drug2014q2.csv" "./drug2014q3.csv" "./drug2014q4.csv" "./drug2015q1.csv" "./drug2015q2.csv" "./drug2015q3.csv"每張表中的變量名分別為：
"primaryid" "drug_seq" "role_cod" "drugname" "val_vbm" "route" "dose_vbm" "dechal" "rechal" "lot_num" "exp_dt" "exp_dt_num" "nda_num" 合並全部的診斷/指示數據集
filenames <- list.files(pattern="^indi.*.csv", full.names=TRUE)
cat(‘We have downloaded the following quarterly diagnoses/indications datasets:\n‘)
filenames
indi=lapply(filenames,fread)
cat(‘\n‘)
cat(‘Variable names:\n‘)
names(indi[[15]])
indi_all=do.call(rbind,lapply(1:length(indi), function(i) select(as.data.frame(indi[i]),primaryid,caseid, indi_drug_seq,indi_pt)))已經下載的數據集為：
"./indi2012q1.csv" "./indi2012q2.csv" "./indi2012q3.csv" "./indi2012q4.csv" "./indi2013q1.csv" "./indi2013q2.csv" "./indi2013q3.csv" "./indi2013q4.csv" "./indi2014q1.csv" "./indi2014q2.csv" "./indi2014q3.csv" "./indi2014q4.csv" "./indi2015q1.csv" "./indi2015q2.csv" "./indi2015q3.csv"變量名為：
"primaryid" "caseid" "indi_drug_seq" "indi_pt" 合並病人的結果數據：
filenames <- list.files(pattern="^outc.*.csv", full.names=TRUE)
cat(‘We have downloaded the following quarterly patient outcome datasets:\n‘)
filenames
outc_all=lapply(filenames,fread)
cat(‘\n‘)
cat(‘Variable names\n‘)
names(outc_all[[1]])
names(outc_all[[4]])
colnames(outc_all[[4]])=c("primaryid", "caseid", "outc_cod")
outc_all=do.call(rbind,lapply(1:length(outc_all), function(i) select(as.data.frame(outc_all[i]),primaryid,outc_cod)))下載的數據集例如以下：
"./outc2012q1.csv" "./outc2012q2.csv" "./outc2012q3.csv" "./outc2012q4.csv" "./outc2013q1.csv" "./outc2013q2.csv" "./outc2013q3.csv" "./outc2013q4.csv" "./outc2014q1.csv" "./outc2014q2.csv" "./outc2014q3.csv" "./outc2014q4.csv" "./outc2015q1.csv" "./outc2015q2.csv" "./outc2015q3.csv" 變量名：
"primaryid" "outc_cod"
"primaryid" "caseid" "outc_code" 最後來合並反應（不良事件）數據集（譯者註：這部分無聊地我要哭了）
filenames <- list.files(pattern="^reac.*.csv", full.names=TRUE)
cat(‘We have downloaded the following quarterly reaction (adverse event) datasets:\n‘)
filenames
reac=lapply(filenames,fread)
cat(‘\n‘)
cat(‘Variable names:\n‘)
names(reac[[3]])
reac_all=do.call(rbind,lapply(1:length(indi), function(i) select(as.data.frame(reac[i]),primaryid,pt)))下載的數據集有：
"./reac2012q1.csv" "./reac2012q2.csv" "./reac2012q3.csv" "./reac2012q4.csv" "./reac2013q1.csv" "./reac2013q2.csv" "./reac2013q3.csv" "./reac2013q4.csv" "./reac2014q1.csv" "./reac2014q2.csv" "./reac2014q3.csv" "./reac2014q4.csv" "./reac2015q1.csv" "./reac2015q2.csv" "./reac2015q3.csv"變量名為：
"primaryid" "pt" 讓我們看看不同的數據類型各有多少行
all=as.data.frame(list(Demography=nrow(demo_all),Drug=nrow(drug_all),
Indications=nrow(indi_all),Outcomes=nrow(outc_all),
Reactions=nrow(reac_all)))
row.names(all)=‘Number of rows‘
all
SQL命令
記住sqldf包使用SQLite
COUNT
# SQL版本號
sqldf("SELECT COUNT(primaryid)as ‘Number of rows of Demography data‘
FROM demo_all;")
# R版本號
nrow(demo_all)
3554979 LIMIT命令（顯示前幾行）
# SQL版本號
sqldf("SELECT *
FROM demo_all
LIMIT 6;")
# R版本號
head(demo_all,6)
R1=head(demo_all,6)
SQL1 =sqldf("SELECT *
FROM demo_all
LIMIT 6;")
all.equal(R1,SQL1)
TRUE*譯者註：這部分代碼驗證了SQL命令和R代碼的等價性，下同。
WHERE命令
SQL2=sqldf("SELECT * FROM demo_all WHERE sex =‘F‘;")
R2 = filter(demo_all, sex=="F")
identical(SQL2, R2)
TRUESQL3=sqldf("SELECT * FROM demo_all WHERE age BETWEEN 20 AND 25;")
R3 = filter(demo_all, age >= 20 & age <= 25)
identical(SQL3, R3)
TRUEGROUP BY 和 ORDER BY
# SQL版本號
sqldf("SELECT sex, COUNT(primaryid) as Total
FROM demo_all
WHERE sex IN (‘F‘,‘M‘,‘NS‘,‘UNK‘)
GROUP BY sex
ORDER BY Total DESC ;")
# R版本號
demo_all %>% filter(sex %in%c(‘F‘,‘M‘,‘NS‘,‘UNK‘)) %>% group_by(sex) %>%
summarise(Total = n()) %>% arrange(desc(Total))
SQL3 = sqldf("SELECT sex, COUNT(primaryid) as Total
FROM demo_all
GROUP BY sex
ORDER BY Total DESC ;")
R3 = demo_all%>%group_by(sex) %>%
summarise(Total = n())%>%arrange(desc(Total))
compare(SQL3,R3, allowAll=TRUE)
TRUE
dropped attributes利用SQL命令進行數據清洗並繪制3D餅圖
SQL=sqldf("SELECT sex, COUNT(primaryid) as Total
FROM demo_all
WHERE sex IN (‘F‘,‘M‘,‘NS‘,‘UNK‘)
GROUP BY sex
ORDER BY Total DESC ;")
SQL$Total=as.numeric(SQL$Total
pie3D(SQL$Total, labels = SQL$sex,explode=0.1,col=rainbow(4),
main="Pie Chart of adverse event reports by gender",cex.lab=0.5, cex.axis=0.5, cex.main=1,labelcex=1)輸出的圖例如以下：
Inner Join
讓我們把藥品數據和指數數據基於主id和藥品序列內連。
首先。我們要檢查下變量名，看看怎樣合並兩個數據集。
names(indi_all)
names(drug_all)
"primaryid" "indi_drug_seq" "indi_pt"
"primaryid" "drug_seq" "drugname" "route"
names(indi_all)=c("primaryid", "drug_seq", "indi_pt" ) # 使兩個數據集變量名一致
R4= merge(drug_all,indi_all, by = intersect(names(drug_all), names(indi_all))) # R版本號合並
R4=arrange(R3, primaryid,drug_seq,drugname,indi_pt) # R版本號排序
SQL4= sqldf("SELECT d.primaryid as primaryid, d.drug_seq as drug_seq, d.drugname as drugname,
d.route as route,i.indi_pt as indi_pt
FROM drug_all d
INNER JOIN indi_all i
ON d.primaryid= i.primaryid AND d.drug_seq=i.drug_seq
ORDER BY primaryid,drug_seq,drugname, i.indi_pt") # SQL版本號
compare(R4,SQL4,allowAll=TRUE)
TRUE # 兩種方法等價
R5 = merge(reac_all,outc_all,by=intersect(names(reac_all), names(outc_all)))
SQL5 =reac_outc_new4=sqldf("SELECT r.*, o.outc_cod as outc_cod
FROM reac_all r
INNER JOIN outc_all o
ON r.primaryid=o.primaryid
ORDER BY r.primaryid,r.pt,o.outc_cod")
compare(R5,SQL5,allowAll = TRUE)
TRUE
# 繪制不同性別的年齡概率分布密度圖
ggplot(sqldf(‘SELECT age, sex
FROM demo_all
WHERE age between 0 AND 100 AND sex IN ("F","M")
LIMIT 10000;‘), aes(x=age, fill = sex))+ geom_density(alpha = 0.6)繪制出的圖例如以下：
繪制不同結果的年齡年齡概率分布密度圖（譯者註：後面都是結果的可視化，可略過。原作者的耐心真好。
。。
）
ggplot(sqldf("SELECT d.age as age, o.outc_cod as outcome
FROM demo_all d
INNER JOIN outc_all o
ON d.primaryid=o.primaryid
WHERE d.age BETWEEN 20 AND 100
LIMIT 20000;"),aes(x=age, fill = outcome))+ geom_density(alpha = 0.6)
輸出例如以下：
ggplot(sqldf("SELECT de.sex as sex, dr.route as route
FROM demo_all de
INNER JOIN drug_all dr
ON de.primaryid=dr.primaryid
WHERE de.sex IN (‘M‘,‘F‘) AND dr.route IN (‘ORAL‘,‘INTRAVENOUS‘,‘TOPICAL‘)
LIMIT 200000;"),aes(x=route, fill = sex))+ geom_bar(alpha=0.6)輸出例如以下：
ggplot(sqldf("SELECT d.sex as sex, o.outc_cod as outcome
FROM demo_all d
INNER JOIN outc_all o
ON d.primaryid=o.primaryid
WHERE d.age BETWEEN 20 AND 100 AND sex IN (‘F‘,‘M‘)
LIMIT 20000;"),aes(x=outcome,fill=sex))+ geom_bar(alpha = 0.6)
輸出例如以下（譯者註：哥們兒挺住，你就快看完了！。。）：
UNION ALL
demo1= demo_all[1:20000,]
demo2=demo_all[20001:40000,]
R6 <- rbind(demo1, demo2)
SQL6 <- sqldf("SELECT * FROM demo1 UNION ALL SELECT * FROM demo2;")
compare(R6,SQL6, allowAll = TRUE)
TRUEINTERSECT
R7 <- semi_join(demo1, demo2)
SQL7 <- sqldf("SELECT * FROM demo1 INTERSECT SELECT * FROM demo2;")
compare(R7,SQL7, allowAll = TRUE)
TRUEEXCEPT
R8 <- anti_join(demo1, demo2)
SQL8 <- sqldf("SELECT * FROM demo1 EXCEPT SELECT * FROM demo2;")
compare(R8,SQL8, allowAll = TRUE)
TRUE我們下篇文章再見！
假設你有不論什麽建議和意見，請在下方留言。
翻譯感悟：這篇文章的作者不厭其煩地演示了利用怎樣sqldf包在R中實現大部分經常使用的SQL命令，並將其結果和直接調用對應的R函數的結果做了對比。證明了二者的等價性。我十分敬佩作者能走完這個及其枯燥的流程。
但我不想再翻譯第二篇這樣的風格的文章了。。
。
註:原文刊載於datascience+站點
鏈接:http://datascienceplus.com/performing-sql-selects-on-r-data-frames/
【譯文】怎樣在R語言中使用SQL命令