【译文】如何在R语言中使用SQL命令
作者 Fisseha Berhane
对于有SQL背景的R语言学习者而言，sqldf是一个非常有用的包，因为它使我们能在R中使用SQL命令。只要掌握了基本的SQL技术，我们就能利用它们在R中操作数据框。关于sqldf包的更多信息，可以参看cran。
在这篇文章中，我们将展示如何在R中利用SQL命令来连接、检索、排序和筛选数据。我们也将展示怎么利用R语言的函数来实现这些功能。最近我在处理一些FDA（译者注：食品及药物管理局）的不良事件数据。这些数据非常混乱：有缺失值，有重复记录，有不同时间建立的数据集的可比性问题，不同数据集中变量名称和数量也不统一（比如一个数据集里叫sex，另一个里叫gender），还有疏忽错误等问题。但正因如此，这些数据对于数据科学家或者爱好者而言到是理想的练手对象。
本文使用的FDA不良事件数据可以从公开渠道获得，csv格式的数据表可以从国家经济研究局下载。通过R从国家经济研究局的网站下载数据相对更容易，我建议你使用相应的R代码来下载并探索数据。
不良事件数据集是以季度为发布周期，每个季度的数据包括了人口信息、药物/生物信息、不良事件详情，结果和诊断情况等信息。
让我们下载数据并使用SQL命令来连接、排序和筛选该数据集中包含的大量数据框。
加载R包
require(downloader) library(dplyr)library(sqldf)library(data.table)library(ggplot2)library(compare)library(plotrix)基本的错误处理函数tryCatch()
我们将使用这个函数来处理下载的数据。因为数据以季度频率发布，每年都会有四个观测值（每年有四条记录）。运行这个函数能自动下载数据，但如果某些季度数据从网上无法获取（尚未公布），该函数会返回一条错误信息表示无法找到数据集。现在让我们下载数据的压缩包并将其解压。
try.error = function(url){ try_error = tryCatch(download(url,dest="data.zip"), error=function(e) e) if (!inherits(try_error, "error")){ download(url,dest="data.zip") unzip ("data.zip") } else if (inherits(try_error, "error")){ cat(url,"not found\n") } }下载不良事件数据
我们可以得到自2004年起的FDA不良事件数据。本文将使用2013年以来公布的数据，我们将检查截至当前时间的最新数据并下载。
> Sys.time() 函数会返回当前的日期和时间。
> data.table包中的year()函数会从之前返回的当前时间中提取年份信息。
我们将下载人口、药物、诊断/指示，结果和反应（不良事件）数据。
year_start=2013year_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根据上面的错误信息，截至成文时间（2016年3月13日），我们最多可以获得2015年第三季度的不良事件数据。
> list.files()函数会字符串向量的形式返回当前工作目录下所有文件的名字。
> 我会使用正则表达式对各个数据集的类别进行筛选。比如^demo.*.csv表示所有名字以demo开头的csv文件。
filenames <- list.files(pattern="^demo.*.csv", full.names=TRUE)cat('We have downloaded the following quarterly demography datasets')filenames我们已经下载了下列季度人口数据
"./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"让我们用data.table包中的fread()函数来读入这些数据集，以人口数据为例：
demo=lapply(filenames,fread)接着让我们把它们转换数据结构并合并成一个数据框：
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 我们看到人口数据有超过350万行观测（记录）。
译者注：下面的内容都是重复这个流程，可以略过
现在让我们合并所有的药品数据
filenames <- list.files(pattern="^drug.*.csv", full.names=TRUE)cat('We have downloaded the following quarterly drug datasets:\n')filenamesdrug=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)))我们已经下载了下列季度药品数据集
"./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"每张表中的变量名分别为：
"primaryid" "drug_seq" "role_cod" "drugname" "val_vbm" "route" "dose_vbm" "dechal" "rechal" "lot_num" "exp_dt" "exp_dt_num" "nda_num" 合并所有的诊断/指示数据集
filenames <- list.files(pattern="^indi.*.csv", full.names=TRUE)cat('We have downloaded the following quarterly diagnoses/indications datasets:\n')filenamesindi=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)))已经下载的数据集为：
"./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"变量名为：
"primaryid" "caseid" "indi_drug_seq" "indi_pt" 合并病人的结果数据：
filenames <- list.files(pattern="^outc.*.csv", full.names=TRUE)cat('We have downloaded the following quarterly patient outcome datasets:\n')filenamesoutc_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)))下载的数据集如下：
"./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" 变量名：
"primaryid" "outc_cod" "primaryid" "caseid" "outc_code" 最后来合并反应（不良事件）数据集（译者注：这部分无聊地我要哭了）
filenames <- list.files(pattern="^reac.*.csv", full.names=TRUE)cat('We have downloaded the following quarterly reaction (adverse event) datasets:\n')filenamesreac=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)))下载的数据集有：
"./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"变量名为：
"primaryid" "pt" 让我们看看不同的数据类型各有多少行
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
记住sqldf包使用SQLite
COUNT
# SQL版本sqldf("SELECT COUNT(primaryid)as 'Number of rows of Demography data'FROM demo_all;")
# R版本nrow(demo_all)3554979 LIMIT命令（显示前几行）
# SQL版本sqldf("SELECT *FROM demo_all LIMIT 6;")
# R版本head(demo_all,6)
R1=head(demo_all,6)SQL1 =sqldf("SELECT *FROM demo_all LIMIT 6;")all.equal(R1,SQL1)TRUE*译者注：这部分代码验证了SQL命令和R代码的等价性，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sqldf("SELECT sex, COUNT(primaryid) as TotalFROM demo_allWHERE sex IN ('F','M','NS','UNK')GROUP BY sexORDER BY Total DESC ;")
# R版本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 TotalFROM demo_allGROUP BY sexORDER 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命令进行数据清洗并绘制3D饼图
SQL=sqldf("SELECT sex, COUNT(primaryid) as TotalFROM demo_allWHERE sex IN ('F','M','NS','UNK')GROUP BY sexORDER BY Total DESC ;")SQL$Total=as.numeric(SQL$Totalpie3D(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)输出的图如下：
Inner Join
让我们把药品数据和指数数据基于主id和药品序列内连。
首先，我们要检查下变量名，看看如何合并两个数据集。
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" ) # 使两个数据集变量名一致R4= merge(drug_all,indi_all, by = intersect(names(drug_all), names(indi_all))) # R版本合并R4=arrange(R3, primaryid,drug_seq,drugname,indi_pt) # R版本排序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compare(R4,SQL4,allowAll=TRUE)TRUE # 两种方法等价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# 绘制不同性别的年龄概率分布密度图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)绘制出的图如下：
绘制不同结果的年龄年龄概率分布密度图（译者注：后面都是结果的可视化，可略过。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)输出如下：
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)输出如下：
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)输出如下（译者注：哥们儿挺住，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