But de cette présentation :
Présenter une comparaison (non exhaustive) entre le langage SQL et le langage R pour l’interrogation d’une base de données relationnelles
Plan :
Pré-requis :
Ensemble des opérations de l’algèbre relationnelle utilisée pour obtenir des informations à partir d’une base de données relationnelles :
Les données sont disponibles ici
Il existe plusieurs librairies permettant de se connecter directement à une base de données (SQLite, MySQL, Oracle, …), et de récupérer le résultat d’une requête exécutée par le SGBD.
La librairie sqldf permet :
data.frame présent dans R.library(sqldf)
sqldf("SELECT * FROM iris;")
Le langage R intègre, de base, un certain nombre d’opérateurs permettant de réaliser les opérations usuelles d’algèbre relationnelle :
subset : restriction et projectiontransform : calcul et fonctionaggregate : agrégatrbind et merge : opérations ensemblistesmerge : jointuresNB : ne sont présentés ici que les fonctions de base du langage R. Il existe certains packages permettant de réaliser aussi ces mêmes opérations relationnelles.
La fonction subset renvoie une data.frame restreinte aux lignes respectant une condition (simple ou complexe) passée en paramètre :
subset(df, subset = condition)
NB : Dans la condition, nous utilisons le nom des variables sans préciser le nom de la table avant.
Nous utilisons ici la même fonction subset que pour la restriction. Il est nécessaire de passer en paramètre la liste des variables à conserver, dans le paramètre keep.
subset(df, select = liste_attributs)
Pour supprimer les doublons du résultat, de manière identique au DISTINCT en SQL, il faut utiliser la fonction unique.
unique(subset(df, select = liste_attributs))
Pour tout ce qui est définition de nouvelles variables, nous utilisons la fonction transform, dans laquelle nous décrivons l’expression pour la ou les nouvelles variables.
transform(df, var = expression)
NB : dans l’expression, il est possible d’utiliser les fonctions R.
La fonction aggregate permet de réaliser des opérations d’agrégats sur des data.frames. Dans ce cas, il ne peut y avoir qu’un seul type d’agrégat par utilisation de aggregate (i.e. pour faire deux opérations - par exemple COUNT et SUM, il faut 2 utilisations d’aggregate).
# calcul d'agrégat global aggregate(attribut ~ 1, df, agregat) # avec regroupement aggregate(attribut ~ regroupement, df, agregat) # si plusieurs attributs de regroupement : aggregate(attribut ~ att1 + att2 + ..., df, agregat)
NB : agregat représente le calcul d’agrégat à effectuer (length pour un dénombrement, sum pour une somme, …).
La fonction rbind assemble deux data.frames ensemble l’un au-dessous de l’autre, et dans ce sens fait une union complète (toutes les lignes sont présentes, et donc certaines éventuellement en double).
rbind(df1, df2)
La fonction merge permet de réaliser cela plus proprement et de choisir si on veut une union ou une intersection (ne fonctionne que si les deux data.frames ont les mêmes colonnes).
# Union merge(df1, df2, all = T) # Intersection merge(df1, df2)
Rien pour réaliser directement une différence.
On utilise la même fonction merge pour réaliser les jointures, et les différentes jointures (interne, externe gauche, externe droite ou complète) se spécifient à l’aide des paramètres all, all.x et all.y. Si on veut indiquer les colonnes pour les jointures, il est possible des les spécifier via by et by.x/by.y.
# Jointure interne merge(df1, df2) # Jointure gauche (droite avec all.y = T) merge(df1, df2, all.x = T) # Jointure complète merge(df1, df2, all = T) # Jointure en spécifiant les colonnes merge(df1, df2, by.x = liste_att1, by.y = liste_att2)