何時使用R，何時使用SQL？

Question

我有一箇中等大小的數據庫，有很多連接和查找表。

我比R更熟悉SQL，而我正在使用MySQL。

我的問題：

在什麼時候有什麼好處停止增加SQL語句的複雜性有利於在R（例如，merge，*apply，maply，dlply等）中的數據子集的功能R.

一方面，SQL的加入比選擇每個表的所有內容並使用R merge函數加入它們要容易。此外，在SQL中執行條件選擇會減少必須導入到R的數據量;但速度差異並不顯着。

另一方面，與複雜where子句的大連接變得比R語法更容易理解。

下面我有一些未經測試代碼說明的目的：我在工作代碼之前問這個問題，並且我的問題的答案不需要工作代碼（雖然這總是讚賞） - 「最優雅的方法「，」最少的線條「或」令人驚歎的X的實現「總是值得讚賞的，但我特別感興趣的是」最明智/實用/規範/基於第一原則「的基本原理。

我感興趣的是一般的答案，其中的步驟應該使用SQL where條款和步驟會更容易使用R.

插圖來完成：

數據庫描述

有三個表格：a,ab和b。表a和b各自具有主鍵id。它們具有由查找表ab表示的多對多關係，其包含分別與a.id和b.id連接的字段ab.a_id和ab.b_id。兩個表都有一個time字段，並且a有一個group字段。

目標：

這裏是一個小例子，聯接和子集，我想做的事情;

（元素的MySQL的命名，例如a.id相當於R中a$id）

1. 加入a和b使用ab，追加與每個a.id作爲新的列相關聯b.time多個值表;

   select a_time, b.time, a.id, b.id from 
        a join ab on a.id = ab.a_id 
        join b on b.id = ab.b_id and then append b.time for distinct values of b.id; 
   

2. 我不需要b的重複值。時間，只需要的b.max的值：用於b.time重複的值加入到每個a.id，b.max是b.time最接近但不大於a.time

   b.max <- max(b.time[b.time < a.time)) 
   

3. 值dt <- a.time - b.max追加到該表中，例如值在R，

4. 在a.group每個不同的值，選擇哪個（分鐘（x.dt）））

   x.dt <- a.time - b.max 
   

Answer 1

我平時在SQL 的數據操作，直到我想要的數據是在一個單一的表， 然後，我做R. 剩下的只有當存在性能問題 做我開始移動一些的計算到數據庫。 這已經是你在做什麼了。

計算中涉及的時間戳經常 成爲SQL 不可讀（以下簡稱「analytic functions」，類似ddply， 應該簡化這個， 但我認爲他們不可在MySQL）。

但是，您的示例可能完全用SQL編寫，如下所示（未測試）。

-- Join the tables and compute the maximum 
CREATE VIEW t1 AS 
SELECT a.id AS a_id, 
     a.group AS a_group, 
     b.id AS b_id, 
     a.time AS a_time, 
     a.time - MAX(b.time) AS dt 
FROM a, b, ab 
WHERE a.id = ab.a_id AND b.id = ab.b_id 
AND b.time < a.time 
GROUP BY a.id, a.group, b.id; 

-- Extract the desired rows 
CREATE VIEW t2 AS 
SELECT t1.* 
FROM t1, (SELECT group, MIN(dt) AS min_dt FROM t1) X 
WHERE t1.a_id = X.a_id 
AND t1.b_id = X.b_id 
AND t1.a_group = X.a.group; 

Answer 2

爲什麼不是both SQL和R - 在R中使用sqldf包？這些examples顯示瞭如何使用具有R數據幀的sqldf函數或通過與現有數據庫的連接。這樣，你就可以靈活地做這個習慣用語。