如何使用dplyr实现与sqldf一致的分组查询结果（SQL不可修改）

核心差异原因 #

• sqldf默认以SQLite为后端，默认关闭严格分组校验（ONLY_FULL_GROUP_BY），属于宽松分组模式：当SELECT子句的列既不在GROUP BY字段中、也未被聚合函数包裹时，会自动按数据物理顺序，从每个分组中取第一行的对应列值，每个分组仅返回1行结果。
• 原dplyr代码逻辑错误：在group_by(HasPet)后的summarize()中，直接把Id、HasPet作为非聚合列写入，未对Id做聚合处理，导致dplyr保留了分组内的所有原始行，没有执行分组折叠，最终返回4行与预期不符的结果。

修正后的dplyr代码 #

完全对齐sqldf输出逻辑的代码如下：

res <- Posts %>%
  group_by(HasPet) %>%
  summarize(
    # 取分组内第一行的Id，匹配SQLite宽松分组的取首个值行为
    Id = first(Id),
    MaxAge = max(Age)
  ) %>%
  ungroup() %>%
  # 调整列顺序，和原SQL的SELECT列顺序完全一致
  select(Id, HasPet, MaxAge)

结果验证 #

运行上述代码后，输出与sqldf的返回值完全一致：

> head(res)
  Id HasPet MaxAge
1  1      0     20
2  3      1     14

补充说明 #

• 原代码中手动写入的HasPet属于冗余操作：按HasPet分组后，summarize的结果会自动保留分组键列，无需手动声明。
• first()函数会按照原始数据的行顺序取值，和SQLite宽松分组下的取值逻辑完全匹配，不会出现结果偏差。

内容的提问来源于stack exchange，提问作者lol lol