根據其他行中列的值選擇行

Question

對於這個問題，我會很高興在 R（理想情況下使用 dplyr 但其他方法也可以）或純 SQL 中的解決方案。

我有由個人 ( ID ) 和電子郵件地址組成的數據，以及一個表示電子郵件地址是否是個人的主要電子郵件地址 (1) 或不是 (0) 的二進制指示符

• 所有ID都有一個且只有一個主要電子郵件地址
• ID可以有多個非主電子郵件地址（或沒有）
• ID可以與主要和非主要具有相同的電子郵件地址

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

（實際數據集大約有一百萬行）

我希望識別電子郵件地址不是主要的 ID，但對於不同的 ID 是主要的。 也就是說，我想選擇以下行：

• 主要是 0
• 存在另一行，其中該 ID 是主要的，但用於不同的 ID

因此，在上面的數據中，我想選擇第 5 行（因為電子郵件地址是非主要的，但主要在第 1 行表示不同的ID和第 8 行（因為它是非主要的，但主要在第 6 行表示不同的ID ID ) 和第 2 行

對於 R 用戶，這是上面的玩具數據框：

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

您可以選擇行

• Primary = 0
• 該Email的ID數大於 1。
• 該Email至少有一個primary = 1

使用dplyr ，您可以這樣做：

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

由於您擁有大數據，因此data.table解決方案會有所幫助：

library(data.table)

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

Answer 2

在SQL 中，您可以使用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
                  )