R 中的数据分组（类似于 SQL 中使用 WHERE 子句求和）

Question

我在使用 aggregate 命令在 R 中对数据进行分组时遇到了挑战。我可以使用 SQL 相对轻松地做到这一点，但我无法使用 R 获得相同的效果。

作为示例，这里是一个测试数据集，在 SQL 中提供了我正在寻找的本质：

create table #data(v1 varchar(4), v2 int, v3 int, v4 int,v5 int)
insert #data(v1, v2, v3, v4, v5) values(8000, 3, 8, 7, 11)
insert #data(v1, v2, v3, v4, v5) values(8001, 4, 9, 8, 12)
insert #data(v1, v2, v3, v4, v5) values(8002, 5, 10, 9, 13)
insert #data(v1, v2, v3, v4, v5) values(8003, 6, 11, 7, 14)
insert #data(v1, v2, v3, v4, v5) values(8000, 7, 12, 8, 11)
insert #data(v1, v2, v3, v4, v5) values(8001, 3, 13, 9, 12)
insert #data(v1, v2, v3, v4, v5) values(8002, 4, 14, 7, 13)
insert #data(v1, v2, v3, v4, v5) values(8003, 5, 8, 8, 14)
insert #data(v1, v2, v3, v4, v5) values(8000, 6, 9, 9, 11)
insert #data(v1, v2, v3, v4, v5) values(8001, 7, 10, 7, 12)
insert #data(v1, v2, v3, v4, v5) values(8002, 3, 11, 8, 13)
insert #data(v1, v2, v3, v4, v5) values(8003, 4, 12, 9, 14)
insert #data(v1, v2, v3, v4, v5) values(8000, 5, 13, 7, 11)
insert #data(v1, v2, v3, v4, v5) values(8001, 6, 14, 8, 12)
insert #data(v1, v2, v3, v4, v5) values(8002, 7, 8, 9, 13)
insert #data(v1, v2, v3, v4, v5) values(8003, 3, 9, 7, 14)
insert #data(v1, v2, v3, v4, v5) values(8000, 4, 10, 8, 11)
insert #data(v1, v2, v3, v4, v5) values(8001, 5, 11, 9, 12)
insert #data(v1, v2, v3, v4, v5) values(8002, 6, 12, 7, 13)
insert #data(v1, v2, v3, v4, v5) values(8003, 7, 13, 8, 14)
insert #data(v1, v2, v3, v4, v5) values(8000, 3, 14, 9, 11)
insert #data(v1, v2, v3, v4, v5) values(8001, 4, 8, 7, 12)
insert #data(v1, v2, v3, v4, v5) values(8002, 5, 9, 8, 13)
insert #data(v1, v2, v3, v4, v5) values(8003, 6, 10, 9, 14)
insert #data(v1, v2, v3, v4, v5) values(8000, 7, 11, 7, 11)
insert #data(v1, v2, v3, v4, v5) values(8001, 3, 12, 8, 12)
insert #data(v1, v2, v3, v4, v5) values(8002, 4, 13, 9, 13)
insert #data(v1, v2, v3, v4, v5) values(8003, 5, 14, 7, 14)

select * from #data

select v1, sum(v2)
from #data
    where v4 <= v3 and v5 > v3
group by v1

drop table #data

在 R 中，我尝试过将 aggregate 与 subset 命令一起使用，将 aggregate 与内联函数（x）一起使用...但仍然无法合并数据以我希望的方式纯粹“R”方式。我知道 SQL 库允许 SQL 语句在数据结构上进行事务处理，但我希望避免这种情况，因为我首先从数据库中提取数据，如果我需要诉诸于此，我不妨编写 SQL 来完成它。我正在寻找一种纯粹的 R 方法来做到这一点。也许有点理想化，但这就是希望，就是梦想。

该子句需要注意的是，它是一个排除子句，对当前行中 V2 变量未包含的数据进行求和。如果不是这样，这对我来说将是一个相当简单的问题，但我不会 grep 将当前行在仔细检查的值下传递给针对更大数据集的函数，或者是否另一个解决方案会更好。

预先感谢您的帮助。

以下是生成测试数据的 R 代码：

m.data <- as.data.frame(
        cbind(8000:8003, 3:7, 8:14, 7:9, 11:14, 1:28),
        row.names=NULL
);

Answer 1

这是一个玩具示例，说明了加文在评论中所描述的内容：

dd <- data.frame(v1 = rep(1:4,5),v2 = 1:20, 
                 v3 = runif(20), v4 = runif(20), v5 = runif(20))

#Extract the subset
dd_new <- subset(dd,v4 <= v3 & v5 > v3)

#Using the aggregate command...
> aggregate(dd_new$v2,list(v1=dd_new$v1),sum)
  v1  x
1  1 14
2  2 18
3  3 41
4  4 16

#Or the often popular ddply from plyr
> ddply(dd_new,.(v1),summarise,tot = sum(v2))
  v1 tot
1  1  14
2  2  18
3  3  41
4  4  16

为了清晰起见，我将子集从聚合中分离出来，但正如加文指出的那样，如果您愿意，您可以将其全部合并到一行中。

Answer 2

如果您是 SQL 迷，请尝试 sqldf。它对于大型数据集非常有效。请注意，我使用了 mdata 而不是需要在 SQL 中转义的 m.data。

library(sqldf)
mdata <- as.data.frame(
        cbind(8000:8003, 3:7, 8:14, 7:9, 11:14, 1:28),
        row.names=NULL
);
sqldf("select v1, sum(v2) from mdata  where v4 <= v3 and v5 > v3 group by v1")