Question

对于这个问题，我将对R中的解决方案（最好是dplyr，但其他方法也可以）或纯SQL感到满意。

我有包含个人（ID）和电子邮件地址的数据，还有一个二进制指示符，表示该电子邮件地址是否是个人的主要电子邮件地址（1）或不是（0）

所有ID都有一个并且只有一个主要电子邮件地址
ID可以有几个非主要电子邮件地址（或没有）
ID可以具有与主要和非主要相同的电子邮件地址

例如：

   ID Email Primary
1   1     A       1
2   1     A       0
3   1     B       0
4   2     A       1
5   2     A       0
6   3     C       1
7   4     D       1
8   4     C       0
9   5     E       1
10  5     F       0

（实际的数据集大约有五十万行）

我希望标识电子邮件地址不是主要地址但对于其他ID是主要地址的ID。也就是说，我要选择以下行：

主要是0
存在另一行，其中该ID为主要ID，但具有不同的ID

因此，在上面的数据中，我想选择第5行（因为电子邮件地址不是主要的，但是对于不同的ID行1是主要的，而第8行（因为它不是主要的，但是在第6行中选择主要ID）和在第2行中

对于R用户，这是上面的玩具数据框：

structure(list(ID = c(1, 1, 1, 2, 2, 3, 4, 4, 5, 5), Email = c("A", "A", "B", "A", "A", "C", "D", "C", "E", "F"), Primary = c(1, 0, 0, 1, 0, 1, 1, 0, 1, 0)), class = "data.frame", row.names = c(NA, -10L))

Answer 1

您可以选择其中的行

Primary = 0

ID

Email个数大于1。
该primary = 1至少有一个Email

使用dplyr，您可以按照以下步骤操作：

library(dplyr)

df %>% 
   group_by(Email) %>% 
   filter(Primary == 0, n_distinct(ID) > 1, any(Primary == 1))

#     ID Email Primary
#  <dbl> <chr>   <dbl>
#1     1 A           0
#2     2 A           0
#3     4 C           0

由于您拥有大数据，因此data.table解决方案会有所帮助：

library(data.table)

setDT(df)[, .SD[Primary == 0 & uniqueN(ID) > 1 & any(Primary == 1)], Email]

Answer 2

在 SQL 中，您可以为此使用exists：

select t.*
  from mytable t
where t.primary = 0 
      and exists (
                  select 1 
                  from mytable t1 
                  where t1.email = t.email 
                    and t1.id <> t.id 
                    and t1.primary = 1
                  )

根据其他行中的列值选择行

2 个答案: