R编程: Identifying Composite Keys

Question

原始问题:我的工作要求我经常分析大型数据集上的数据 - 基数、关系、唯一性等。 。 。 .，并经常这样做。目的是使用 R 分析数据并在 R Markdown 中创建报告。

我的问题是:1.将数据加载到R数据帧中2. 如何识别数据库术语中所谓的复合主键？

例如，我有一个包含 75,000 条记录的表。我执行 rapply 来获取每个变量的唯一计数。但是，除非其中一个变量的计数为 75,000，否则就不存在单主键。换句话说，没有一个变量可以用来唯一地识别单个观察结果。

然后，目标就变成寻找唯一标识每个观察值(行)的变量(列)组合。这可以是 160 个变量数据框/表中的两个、三个或四个变量/列。当然，如果没有唯一标识每一行或观察的键组合，则总是可能存在重复项。

我已经成功地完成了一个“for”循环(丑陋)，但我认为有一些优雅、更有效的方法可以做到这一点。

如何找到哪些变量构成复合主键？

修改后的问题:

    ############### Data1 - 2 columns - one PK
    data1 <- data.frame(rep_len(1, length.out = 10))
    data1$PK <- rep_len(1:10, length.out = 10)

    names(data1) <- c('DupData', 'PK')
    rownames(data1) <- NULL

    rapply(data1,function(x)length(unique(x)), how = 'unlist')
DupData      PK 
      1      10 

length(unique(data1$PK))
[1] 10

接下来是一个包含 3 列的数据框，但需要两列才能进行唯一的观察:

############### Data2 - 3 columns - Two column composite PK
data2 <- data1
data2$PK <- rep_len(1:2, length.out = 10)
data2$PK2 <- rep_len(2:6, length.out = 10)
rapply(data2,function(x)length(unique(x)), how = 'unlist')
DupData      PK     PK2 
      1       2       5 

length(unique(data2$DupData))
[1] 1
length(unique(data2$PK))
[1] 2
length(unique(data2$PK2))
[1] 5
nrow(unique(data2[,c(1,2)], nmax = 3))
[1] 2
nrow(unique(data2[,c(1,3)], nmax = 3))
[1] 5
nrow(unique(data2[,c(2,3)], nmax = 3))
[1] 10

最后，有一个包含 4 列/变量的数据框，需要三列才能进行唯一的观察:

############### Data3 - 4 columns - Three column composite PK
data3 <- data1
data3$PK <- c(0,0,0,0,0,0,0,0,1,1)
data3$PK2 <- c(0,0,1,1,1,2,2,2,0,0)
data3$PK3 <- c(1,2,0,1,2,0,1,2,0,1)
rapply(data3,function(x)length(unique(x)), how = 'unlist')
DupData      PK     PK2     PK3 
      1       2       3       3 

length(unique(data3$DupData))
[1] 1
length(unique(data3$PK))
[1] 2
length(unique(data3$PK2))
[1] 3
length(unique(data3$PK3))
[1] 3
nrow(unique(data3[,c(1,2)], nmax = 4))
[1] 2
nrow(unique(data3[,c(1,3)], nmax = 4))
[1] 3
nrow(unique(data3[,c(1,4)], nmax = 4))
[1] 3
nrow(unique(data3[,c(1:4)], nmax = 4))
[1] 10
nrow(unique(data3[,c(2,3)], nmax = 4))
[1] 4
nrow(unique(data3[,c(2,4)], nmax = 4))
[1] 5
nrow(unique(data3[,c(3,4)], nmax = 4))
[1] 9
nrow(unique(data3[,c(2:4)], nmax = 4))
[1] 10

问题是:是否有一种方法可以以简单、 Eloquent 方式确定哪些列组合起来构成记录的唯一实例，而无需编写无限的 for 循环？

如果没有，在 R 中编写 for 循环的最佳方法是什么，它会告诉您组合的列的每个组合都有一个唯一计数，该计数等于整个数据帧的计数？

希望这比泥泞更清晰，这对某人来说是一个简单的问题。

感谢您的帮助!

Answer 1

不幸的是，没有。有多种方法可以识别主键，无论是单键还是复合键。但是，如果有 10 列，理论上，创建唯一键可能需要 10 列。这意味着您必须检查第一列到第 10 列的唯一性，然后是第 1 列和第 2 列，然后是第 1 列和第 3 列，最后是第 1 列和第 4 列。 。 。等等。我认为这可以归结为检查n!组合。因此，如果您有 10 列，您可能需要检查 3,628,800 个组合的唯一性。实际上，2-4 列通常是复合键中键的最大数量。不过，这仍然可以通过大量检查来验证。这只是我的意见，但归根结底是建模者了解数据并验证假设。如果您找到更好的答案，请告诉我们，