根据其他行中列的值选择行

Question

对于这个问题，我会很高兴在 R（理想情况下使用 dplyr，但其他方法也可以）或纯 SQL 中的解决方案。

我有由个人 ( ID) 和电子邮件地址组成的数据，以及一个表示电子邮件地址是否是个人主要电子邮件地址 (1) 或不是 (0) 的二进制指示符

• 所有IDs 都有一个且只有一个主电子邮件地址
• IDs 可以有多个非主电子邮件地址（或没有）
• IDs 可以与主要和非主要的电子邮件地址相同

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

（实际数据集大约有一百万行）

我希望识别电子邮件地址不是主要的 ID，但对于不同的 ID 是主要的。也就是说，我想选择以下行：

• 主要是 0
• 存在另一行，其中该 ID 是主要的，但用于不同的 ID

因此，在上面的数据中，我想选择第 5 行（因为电子邮件地址是非主要的，但主要在第 1 行用于不同的ID和第 8 行（因为它是非主要的，但主要在第 6 行用于不同的ID）和第 2 行

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

您可以选择行

• Primary = 0
• 的数目ID的为Email大于1。
• 有ATLEAST一个primary = 1为Email

使用dplyr，您可以这样做：

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]