dbplyr选择不重复列

Question

我正在使用R编程语言。我有一个位于服务器上的下表：

age=18:29
height=c(76.1,77,78.1,78.2,78.8,79.7,79.9,81.1,81.2,81.8,82.8,83.5)
gender=c("M","F","M","M","F","F","M","M","F","M","F","M")
testframe = data.frame(age=age,height=height,height2=height,gender=gender,gender2=gender)

head(testframe)

  age height height2 gender gender2
1  18   76.1    76.1      M       M
2  19   77.0    77.0      F       F
3  20   78.1    78.1      M       M
4  21   78.2    78.2      M       M
5  22   78.8    78.8      F       F
6  23   79.7    79.7      F       F

我的目标是从上面的表中删除相同的列，即使它们有不同的名称。因此，最终产品将如下所示：

  age height gender
1  18   76.1      M
2  19   77.0      F
3  20   78.1      M
4  21   78.2      M
5  22   78.8      F
6  23   79.7      F

我的问题：，我想直接从服务器上的表中删除这些重复的列。我一直在阅读R中的"dbplyr“库，我不确定它是否能够做到这一点。我尝试了以下两种方法：

方法1:

library(RODBC)
library(sqldf)
library(dplyr)
library(dbplyr)
library(odbc)

con = odbcConnect("some name", uid = "some id", pwd = "abc")

con <- DBI::dbConnect(RSQLite::SQLite(), ":memory:")
copy_to(con, testframe)



final_1 = testframe %>%
  dplyr::select(., which(as.list(.) %>%
                           duplicated %>%
                           `!`))

方法2:

mtcars2 <- tbl(con, "testframe")


final_2 = mtcars2 %>%
    dplyr::select(., which(as.list(.) %>%
                               duplicated %>%
                               `!`))

在上面的示例中，数据("testframe")位于我的本地环境中，但我尝试使用copy_con语句，以查看如果数据位于服务器上，这些语句是否有效。

我的问题:上述示例中的代码似乎有效--但我不确定上面的代码是否只能对本地环境中的数据执行这些语句--或者它也可以对位于服务器上的数据执行这些相同的语句。有人能对此发表意见吗？

谢谢!

Answer 1

dbplyr通过将dplyr命令转换为相应的数据库语言来工作，然后将这些命令传递给数据库。我强烈怀疑它很难翻译which(as.list(.) %>% duplicated %>% '!')，因为你要求它翻译这些指令的意思，而不是直译命令。

可以使用模拟数据库连接测试dbplyr转换。例如：

library(dplyr)
library(dbplyr)

age=18:29
height=c(76.1,77,78.1,78.2,78.8,79.7,79.9,81.1,81.2,81.8,82.8,83.5)
gender=c("M","F","M","M","F","F","M","M","F","M","F","M")
testframe = data.frame(age=age,height=height,height2=height,gender=gender,gender2=gender)

remote_table = tbl_lazy(testframe , con = simulate_mssql()) # the simulation

remote_table %>%
  mutate(height3 = height2) %>%
  select(height, height2, height3) %>%
  show_query()

如果这会产生有效的数据库代码，那么您就知道您的dplyr命令正在按预期工作。但是，如果这会产生意外的数据库命令(或者翻译中出现R命令)，那么dbplyr就无法将您的指令转换成数据库语言。

对于这类问题，我可能会采取如下方法：

all_column_names = colnames(remotetable)
num_cols = length(all_column_names)
is_dupe = rep(0, num_cols)

for(ii in 1:(num_cols - 1)){
  for(jj in 2:num_cols) {
    colA = all_column_names[ii]
    colB = all_column_names[jj]

    this_check = remotetable %>%
      mutate(compare = ifelse(!!sym(colA) == !!sym(colB), 1, 0)) %>%
      ungroup() %>%
      summarise(num = n(), matches = sum(compare)) %>%
      collect()

    if(this_check$num == this_check$matches)
      is_dupe[jj] = 1
  }
}

其思想是遍历所有对列，并使用基本dplyr命令检查每个值是否相等。如果相等值的数目等于值的总数，则将该列匹配为重复。然后，可以使用输出来选择非重复列。

备注

• !!sym(colA)将存储在变量colA中的文本转换为dbplyr的列名，dbplyr handle.
• collect()是将数据从数据库中提取到本地R内存的命令。只有当您确信数据将适合本地内存时才会这样做。