何时使用R，何时使用SQL？

Question

我有一个中等大小的数据库，有很多连接和查找表。

我比R更熟悉SQL，而我正在使用MySQL。

我的问题：

在什么时候有什么好处停止增加SQL语句的复杂性有利于在R（例如，merge，*apply，maply，dlply等）中的数据子集的功能R.

一方面，SQL的加入比选择每个表的所有内容并使用R merge函数加入它们要容易。此外，在SQL中执行条件选择会减少必须导入到R的数据量;但速度差异并不显着。

另一方面，与复杂where子句的大连接变得比R语法更容易理解。

下面我有一些未经测试代码说明的目的：我在工作代码之前问这个问题，并且我的问题的答案不需要工作代码（虽然这总是赞赏） - “最优雅的方法“，”最少的线条“或”令人惊叹的X的实现“总是值得赞赏的，但我特别感兴趣的是”最明智/实用/规范/基于第一原则“的基本原理。

我感兴趣的是一般的答案，其中的步骤应该使用SQL where条款和步骤会更容易使用R.

插图来完成：

数据库描述

有三个表格：a,ab和b。表a和b各自具有主键id。它们具有由查找表ab表示的多对多关系，其包含分别与a.id和b.id连接的字段ab.a_id和ab.b_id。两个表都有一个time字段，并且a有一个group字段。

目标：

这里是一个小例子，联接和子集，我想做的事情;

（元素的MySQL的命名，例如a.id相当于R中a$id）

1. 加入a和b使用ab，追加与每个a.id作为新的列相关联b.time多个值表;

   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的重复值。时间，只需要的b.max的值：用于b.time重复的值加入到每个a.id，b.max是b.time最接近但不大于a.time

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

3. 值dt <- a.time - b.max追加到该表中，例如值在R，

4. 在a.group每个不同的值，选择哪个（分钟（x.dt）））

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

Answer 1

我平时在SQL 的数据操作，直到我想要的数据是在一个单一的表， 然后，我做R. 剩下的只有当存在性能问题 做我开始移动一些的计算到数据库。 这已经是你在做什么了。

计算中涉及的时间戳经常 成为SQL 不可读（以下简称“analytic functions”，类似ddply， 应该简化这个， 但我认为他们不可在MySQL）。

但是，您的示例可能完全用SQL编写，如下所示（未测试）。

-- 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

为什么不是both SQL和R - 在R中使用sqldf包？这些examples显示了如何使用具有R数据帧的sqldf函数或通过与现有数据库的连接。这样，你就可以灵活地做这个习惯用语。