R在数据科学中的应用，第2版

第 21 章 数据库 数据库

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

导言

数据库中保存着大量数据，因此您必须知道如何访问这些数据。有时，你可以请别人帮你把快照下载到.csv 文件中，但这样做很快就会很麻烦：每次你需要进行更改时，都必须与另一个人沟通。您希望能够在需要的时候直接进入数据库获取所需的数据。

在本章中，您将首先学习 DBI 软件包的基础知识：如何使用它连接数据库，然后使用 SQL¹查询检索数据。SQL 是结构化查询语言的简称，是数据库的通用语言，也是所有数据科学家都要学习的重要语言。尽管如此，我们并不打算从 SQL 开始，而是要教你 dbplyr，它可以将你的 dplyr 代码翻译成 SQL。我们将以此为切入点，教你一些 SQL 最重要的功能。你不会在本章结束时成为 SQL 大师，但你将能够识别最重要的组件并了解它们的作用。

先决条件

在本章中，我们将介绍 DBI 和 dbplyr。DBI 是一个低级接口，用于连接数据库和执行 SQL；dbplyr 是一个高级接口，用于将 dplyr 代码转换为 SQL 查询，然后用 DBI 执行。

library(DBI)
library(dbplyr)
library(tidyverse)

数据库基础知识

在最简单的层面上，您可以将数据库视为数据框架的集合，在数据库术语中称为表。与data.frame 一样，数据库表是命名列的集合，列中的每个值都是相同的类型。数据帧和数据库表之间有三个高层次的区别：

• 数据库表存储在磁盘上，可以任意增大。数据帧存储在内存中，从根本上受到限制（尽管对于许多问题来说，这个限制仍然很大）。

• 数据库表几乎都有索引。数据库索引就像一本书的索引，可以快速找到感兴趣的行，而不必查看每一行。数据帧和 tibbles 没有索引，但数据表有，这也是它们如此快速的原因之一。

• 大多数传统数据库都是为快速收集数据而优化的，而不是分析现有数据。这些数据库被称为面向行的数据库，因为数据是逐行存储的，而不是像 R 那样逐列存储。最近，面向列的数据库有了长足的发展，可以更快地分析现有数据。

数据库由数据库管理系统（简称DBMS）运行，它有三种基本形式：

• 客户服务器数据库管理系统运行在一个功能强大的中央服务器上，通过计算机（客户端）连接服务器。它们非常适合与组织中的多人共享数据。流行的客户端-服务器数据库管理系统包括 PostgreSQL、MariaDB、SQL Server 和 Oracle。
• CloudDBMS，如 Snowflake、亚马逊的 RedShift 和谷歌的 BigQuery，与客户端-服务器 DBMS 类似，但它们在云中运行。这意味着它们可以轻松处理超大数据集，并能根据需要自动提供更多计算资源。
• 进程内数据库管理系统（如 SQLite 或 duckdb）完全在计算机上运行。它们非常适合处理您是主要用户的大型数据集。

连接数据库

要从 R 连接到数据库，需要使用一对软件包：

• 您会一直使用 DBI（数据库 接口），因为它提供了一组通用函数，可以连接到数据库、上传数据、运行 SQL 查询等。

• 您还将使用为所连接的 DBMS 量身定制的软件包。该软件包将通用的 DBI 命令转化为特定 DBMS 所需的特定命令。通常每个 DBMS 都有一个软件包，例如 PostgreSQL 使用 RPostgres，MySQL 使用 RMariaDB。

如果找不到适用于 DBMS 的特定软件包，通常可以使用 ...