Mostrando entradas con la etiqueta SQLite. Mostrar todas las entradas
Mostrando entradas con la etiqueta SQLite. Mostrar todas las entradas

2017-07-21

Seleccionar un subconjunto de una base de datos sqlite con dplyr



Problema

Queremos extraer un subconjunto de filas de una base de datos sqlite con dplyr.

library(dplyr)
library(nycflights13)
flights_sqlite <- tbl(nycflights13_sqlite(), "flights")
flights_sqlite
Source:   query [?? x 19]
Database: sqlite 3.11.1 [C:\Users\Benjamin\AppData\Local\Temp\Rtmpsz2LSi/nycflights13.sqlite]

# A tibble: ?? x 19
    year month   day dep_time sched_dep_time dep_delay arr_time
                            
 1  2013     1     1      517            515         2      830
 2  2013     1     1      533            529         4      850
 3  2013     1     1      542            540         2      923
 4  2013     1     1      544            545        -1     1004
 5  2013     1     1      554            600        -6      812
 6  2013     1     1      554            558        -4      740
 7  2013     1     1      555            600        -5      913
 8  2013     1     1      557            600        -3      709
 9  2013     1     1      557            600        -3      838
10  2013     1     1      558            600        -2      753
# ... with more rows, and 12 more variables: sched_arr_time ,
#   arr_delay , carrier , flight , tailnum ,
#   origin , dest , air_time , distance , hour ,
#   minute , time_hour 

Al se un objeto de clase tbl_sqlite, la función slice genera un error.

slice(flights_sqlite, 10)
Error in UseMethod("slice_") : 
  no applicable method for 'slice_' applied to an object of class "c('tbl_sqlite', 'tbl_sql', 'tbl_lazy', 'tbl')

Solución

  • Primeras n filas
  • head(flights_sqlite, 10) %>% collect() 
    
    # A tibble: 10 x 19
        year month   day dep_time sched_dep_time dep_delay arr_time
                                
     1  2013     1     1      517            515         2      830
     2  2013     1     1      533            529         4      850
     3  2013     1     1      542            540         2      923
     4  2013     1     1      544            545        -1     1004
     5  2013     1     1      554            600        -6      812
     6  2013     1     1      554            558        -4      740
     7  2013     1     1      555            600        -5      913
     8  2013     1     1      557            600        -3      709
     9  2013     1     1      557            600        -3      838
    10  2013     1     1      558            600        -2      753
    # ... with 12 more variables: sched_arr_time , arr_delay ,
    #   carrier , flight , tailnum , origin , dest ,
    #   air_time , distance , hour , minute ,
    #   time_hour 
    

Entradas relacionadas

Referencias

2016-05-04

Eliminar duplicados de un data frame basándonos en dos columnas en R

Title

Problema

Queremos eliminar las filas duplicadas, considerando éstas como aquellas que tienen el mismo valor en las columnas col1 y col2 ignorando su orden. En el siguiente ejemplo solamente conservaríamos una fila.

  Col1 Col2 database
1    A    B   IntAct
2    A    B     Bind
3    B    A  BioGrid
df <- structure(list(Col1 = c("A", "A", "B"), Col2 = c("B", "B", "A"
), database = c("IntAct", "Bind", "BioGrid")), .Names = c("Col1", 
"Col2", "database"), class = "data.frame", row.names = c(NA, 
-3L))

Solución

Emplearemos el paquete sqldf.

  • Primera fila
  • En el caso de querer conservar la primera fila. Creamos una columna id para identificar la primera ocurrencia.

    library(sqldf)
    df$id <- seq.int(nrow(df))
    sqldf("select col1, col2, database, min(id) id
          from (select col1, col2, database, id from df where col1 <= col2
          union all
          select col2 col1, col1 col2, database, id from df where col1 > col2) 
          group by col1, col2")
    
      col1 col2 database id
    1    A    B   IntAct  1
    

  • Última fila
  • En el caso de querer conservar la última fila. En este caso el código es más conciso pues no necesitamos crear una columna para identificar la primera ocurrencia.

    sqldf("select col1, col2, database 
          from (select col1, col2, database from df where col1 <= col2 
          union all 
          select col2 col1, col1 col2, database from df where col1 > col2) 
          group by col1, col2")
    
     col1 col2 database
    1    A    B  BioGrid
    

    Entradas relacionadas

    Referencias

    2015-10-23

    Borrar registros de un data frame con sqldf en R

    Title

    Problema

    Nuestro objetivo es borrar del siguiente data frame aquellos registros cuyo ID sea 8254700, 8641472 y 9022163.

    df <- data.frame(ID = c(8254700, 8641472, 9022163, 1111111, 2222222 ), 
                     field = c(1, 2, 3, 4, 5))
    
           ID field
    1 8254700     1
    2 8641472     2
    3 9022163     3
    4 1111111     4
    5 2222222     5
    

    Solución

    Para borrar esos tres registros necesitamos añadir a la sentencia iniciam "SELECT * FROM df" tras la sentencia de borrado o devolverá NULL , porque sqldf siempre devuelve el resultado de las sentencias de SQL dadas y DELETE no devuelve ningún resultado.

    library(sqldf)
    sqldf(c("DELETE FROM df WHERE ID IN (8254700, 8641472, 9022163)", "SELECT * FROM df"))
    

    Resultado

           ID field
    1 1111111     4
    2 2222222     5 
    

    Notas

    Si los IDs están en un vector separado, ids, entonces podemos obtener el mismo resultado con:

    ids <- c(8254700, 8641472, 9022163)
    fn$sqldf(c("DELETE FROM df WHERE ID IN (`toString(ids)`)", "SELECT * FROM df"))
    
    o para examinar los resultado intermedios:

    idString <- toString(ids)
    idString
    ## [1] "8254700, 8641472, 9022163"
    
    sql <- fn$identity(c("DELETE FROM df WHERE ID in ($idString)", "SELECT * FROM df"))
    sql
    ## [1] "DELETE FROM df WHERE ID in (8254700, 8641472, 9022163)"
    ## [2] "SELECT * FROM df"   
    
    sqldf(sql)
    ##            ID field1
    ## 1 1111111      4
    ## 2 2222222      5
    

    Entradas relacionadas

    Referencias

    Nube de datos