使用 merge() 和 sqldf::sqldf() 获得相同的交叉连接

Question

我有两个数据框：Sales 和 Clients。我想使用sqldf::sqldf() 和merge() 对这些数据帧执行交叉连接，并使用这两种方法获得完全相同的结果。

到目前为止，我只能获得两个数据帧，其中行的顺序不同。

这是生成Sales 和Clients 数据帧的代码：

set.seed(1)

Sales <- data.frame(
  Product = sample(c("Toaster", "Radio", "TV"), size = 7, replace = TRUE),
  CustomerID = c(rep("1_2019", 2), paste(2:3, "2019", sep = "_"), paste(1:3, "2020", sep = "_"))
  )

Sales$Price <- round(ifelse(Sales$Product == "TV", rnorm(1, 400, 20),
                            ifelse(Sales$Product == "Toaster", rnorm(1, 40, 2), 
                                   rnorm(1, 35, 2))))

Clients <- data.frame(
  CustomerID = c(paste(2:4, "2019", sep = "_"), paste(1:2, "2020", sep = "_")),
  State = sample(c("CA", "AZ", "IL", "MA"), size = 5, replace = TRUE)
  )

这是我得到的：

library(sqldf)

# cross join with base R
out1 <- merge(x = Sales, y = Clients, by = NULL)

# cross join with sqldf      
out2 <- sqldf("SELECT *
               FROM Sales
               CROSS JOIN Clients")

out1 和 out2 具有不同的行顺序。如何调整sqldf() 调用以使out1 和out2 完全相同？

这是我得到的最接近的：

merge(x = Sales, y = Clients, by = NULL)  

sqldf("SELECT *
       FROM Sales
       CROSS JOIN Clients 
       ORDER BY State DESC, Clients.CustomerID")

Answer 1

我认为在sqldf 中包含ORDER BY 很重要，因为它说明了在SQL 中，除非明确指示，否则永远无法保证排序。

如果你在做简单的ORDER BY，只是在两个变量上“增加”，那么在 R 中转换为order 将是直接的。然而，由于一个变量在减少，一个变量在增加，order 本身并不能解决这个问题。然而，正如https://stackoverflow.com/a/3316719 所建议的，我们可以对xtfrm 做同样的事情。

out1 <- merge(x = Sales, y = Clients, by = NULL)
out1 <- out1[order(-xtfrm(out1$State), out1$CustomerID.y),]

out2 <- sqldf::sqldf(
  "SELECT *
   FROM Sales
   CROSS JOIN Clients 
   ORDER BY State DESC, Clients.CustomerID")

### proof they are identical
all(unlist(Map(`==`, out1, out2)))
# [1] TRUE

这里的xtfrm 辅助函数允许我们为排序目的否定列的“值”。来自?xtfrm：

一个通用的辅助函数，它产生一个数字向量，该向量将按与“x”相同的顺序排序。

如果字段已经是数字，我们可以只做order(-State, CustomerID.y)，但事实上它是character 需要进一步的步骤。阿尔戈xtfrm.

---

编辑：在 cmets 中，确定 OP 想要在 SQL 语句中模仿 merge 的排序顺序。不幸的是，因为这是两帧的笛卡尔积，所以没有应用排序：merge 只是cbinds 第一帧的所有行与第二帧的第一行相对，然后对第二帧的每一行重复。

这可以通过使用merge中的一些代码来演示：

nx <- nrow(x) # Sales
ny <- nrow(y) # Clients
expand.grid(seq_len(nx), seq_len(ny))
#    Var1 Var2
# 1     1    1
# 2     2    1
# 3     3    1
# 4     4    1
# 5     5    1
# 6     1    2
# ...
# 33    3    7
# 34    4    7
# 35    5    7

其中每个数字是相应帧中的一行（x 代表 Var1，y 代表 Var2）。如果原始数据是：

## Sales                        ## Clients        
  Product CustomerID Price        CustomerID State
1 Toaster     1_2019    37      1     2_2019    AZ
2   Radio     1_2019    33      2     3_2019    MA
3   Radio     2_2019    33      3     4_2019    AZ
4      TV     3_2019   408      4     1_2020    IL
5 Toaster     1_2020    37      5     2_2020    MA
6      TV     2_2020   408
7      TV     3_2020   408

那么这会导致

out1
#    Product CustomerID.x Price CustomerID.y State
# 1  Toaster       1_2019    37       2_2019    AZ
# 2    Radio       1_2019    33       2_2019    AZ
# 3    Radio       2_2019    33       2_2019    AZ
# 4       TV       3_2019   408       2_2019    AZ
# 5  Toaster       1_2020    37       2_2019    AZ
# 6       TV       2_2020   408       2_2019    AZ
# 7       TV       3_2020   408       2_2019    AZ
# 8  Toaster       1_2019    37       3_2019    MA
# ...
# 33 Toaster       1_2020    37       2_2020    MA
# 34      TV       2_2020   408       2_2020    MA
# 35      TV       3_2020   408       2_2020    MA

这将极大地破坏 x (Sales) 中存在的任何排序，即使 y (Clients) 已预先排序（确实如此）。

因此，如果您希望 R 和 SQL 交叉连接解决方​​案之间保持一致，我建议最透明/清晰的方法是在 R 中 merge 然后应用 post-@987654350 @ 以类似于 SQL 的方式排序。事实上，从教学的角度来看，问一个问题：*“什么排序对人类有意义？”如果您在课程计划中断言，除非明确地强行进入流程（通过dplyr::arrange、x[order(...),] 或 SQL 的ORDER BY 子句），否则可能无法保证排序。找出数据的直观顺序，然后在 R 和 SQL 中进行演示。

旁注：

1. 您的sqldf 查询会产生同名列，如果您开始使用列，这会导致sqldf 后出现一些错误。这可以通过 select ... as ... 字段命名来缓解。
2. 不幸的是，目前对您的数据进行字典排序是违反直觉的：在客户 ID 末尾有年份建议（是的，我在推断）客户入职的时间表，但他们将首先按前导数字排序。类似于 "2020-05-04" 即使作为字符串也能正确排序，而 "05/04/2020" 不能正确排序，它可能支持更直观的排序，让最重要的部分成为 id 字符串的前导部分。或者使它们成为整数。或者 UUID（当然是 v4），这些总是很有趣。