用于从其他值列相同的一列中提取值的sql查询

标签 sql r postgresql

我有一个数据集

论文作者:

paper_id author_id
   1      521630
   1      972575
   1      1528710
   1      1611750
   2      1682088
   2      1589667
   2      972575 
   3      521630
   3      1589667

我需要获取所有作者的合著者信息,即作者与一位作者撰写同一篇论文,从而按作者分组

author_id  co_authors
 521630     972575,1528710,1611750,1589667
 972575     521630,1528710,1611750,1589667
 .......

第一行author_id=521630 author_id=972575,1528710,1611750写了paper1,author_id=1589667写了paper 3.我写了一个R代码

co_author_id<-vector()
for(i in 1:length(paper_author))
{
  author_id_data<-paper_author[i,2]
  index1<-which(paper_author$author_id %in% author_id_data
  paper_ids<-paper_author$paper_id[index1]
  index2<-which(paper_author$paper_id %in% paper_ids)
  co_authors<-paper_author$author_id[index2]
  co_author_id[i]<-paste(co_authors,collapse=" ")
 }

但这是非常低效的,因为数据大小是 1200 万行,因此使用 sql 会很容易而且很好。如何使用 sql 完成

谢谢

最佳答案

问题有一个 R 标签,所以我假设需要 R 解决方案:

sqldf

library(sqldf)
nr <- nrow(paper_author)
paper_author$seqno <- ave(1:nr, paper_author$paper_id, FUN = seq_along)


sqldf(c("create index i2 on paper_author(paper_id, seqno)",
    "select author_id, group_concat(coauthor) co_authors 
    from (
      select distinct A.author_id, C.author_id coauthor 
      from ( select * from main.paper_author where seqno = 1) A 
      left join (select * from main.paper_author where seqno > 1) C
      using (paper_id)
    ) group by author_id"))

数据表

library(data.table)
dt <- data.table(paper_author, key = "paper_id")
dt[, seqno:=1:.N, by = paper_id]
m <- merge(dt[seqno == 1], dt[seqno > 1], all.x = TRUE, by = "paper_id")
unique(m[, list(author_id.x, author_id.y)])[, 
   list(co_authors = toString(author_id.y)), by = author_id.x]

dplyr

library(dplyr)
gp <- paper_author %.% group_by(paper_id)
gp %.% 
  filter(row_number() == 1) %.%
  left_join( gp %.% filter(row_number() > 1), by = "paper_id" ) %.%
  ungroup() %.%
  select(author_id.x, author_id.y) %.%
  unique() %.%
  group_by(author_id.x) %.%
  summarise(co_authors = toString(author_id.y))

基础 R

nr <- nrow(paper_author)
seqno <- ave(1:nr, paper_author$paper_id, FUN = seq_along)
m <- merge(paper_author[seqno == 1, ], 
           paper_author[seqno > 1, ],  all.x = TRUE, by = "paper_id")
u <- unique(m[c("author_id.x", "author_id.y")])
aggregate(list(co_authors = u$author_id.y), list(author = u$author_id.x), toString)

试试上面的:

paper_author <-
structure(list(paper_id = c(1L, 1L, 1L, 1L, 2L, 2L, 2L, 3L, 3L
), author_id = c(521630L, 972575L, 1528710L, 1611750L, 1682088L, 
1589667L, 972575L, 521630L, 1589667L), seqno = c(1L, 2L, 3L, 
4L, 1L, 2L, 3L, 1L, 2L)), .Names = c("paper_id", "author_id", 
"seqno"), row.names = c(NA, -9L), class = "data.frame")

已修订 已修订以使作者在输出中独一无二。

关于用于从其他值列相同的一列中提取值的sql查询,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/22780883/

相关文章:

performance - 为什么一个快速的函数在 ANY 内部会变慢?

sql - 从 mysql 迁移到 postgresql,我缺少的最佳功能?

mysql - 在 Mysql 的 If 中使用 Sum

php - 外键是或否

sql - ssrs 报表中的报表参数验证

r - 如何在 R 中获取整数哈希码?

r - 如何区分ggplot2中的4个因素?

sql - 多个 UPDATE、同一列、不同值、不同 WHERE 条件

regex - 如何从R中的向量中的每个字符串中提取第一个数字?

asp.net - 使用 PostgreSQL 时,我应该在哪里(或如何)在 select 语句中定义模式?