Nejčastější jména

Funkce distinct() ti ukázala unikátní hodnoty. Někdy je ale užitečné vědět, kolikrát se každá hodnota vyskytuje. V základním R se na to používá table(), jenže ta v sparklyr není podporována — neodpovídá filozofii tidyverse, která drží všechno v tibblu. Místo toho použij count(). Stačí jí předat názvy sloupců bez uvozovek. Například pro spočítání unikátních kombinací sloupců x, y a z napíšeš:

a_tibble %>%
  count(x, y, z)

Výsledek je podobný jako u

a_tibble %>%
  distinct(x, y, z)

… jen navíc dostaneš sloupec n s počty výskytů.

Skvělé využití count() je hledání nejčastějších hodnot. Zavolej count() s argumentem sort = TRUE, který seřadí řádky sestupně podle sloupce n, a pak použij slice_max() k omezení výsledků na požadovaný počet. (slice_max() funguje podobně jako základní head() v R, ale podporuje vzdálené datové sady, jako jsou ty ve Sparku.) Například pro získání 20 nejčastějších kombinací sloupců x, y a z použiješ:

a_tibble %>%
  count(x, y, z, sort = TRUE) %>%
  slice_max(20)

Toto cvičení je součástí kurzu

Úvod do Sparku se sparklyr v R

Zobrazit kurz

Pokyny k cvičení

Spark připojení je pro tebe připraveno jako spark_conn. Tibble napojený na metadata skladeb uložená ve Sparku je předem definován jako track_metadata_tbl.

Spočítej hodnoty ve sloupci artist_name z track_metadata_tbl.
- Předej sort = TRUE, aby se řádky seřadily sestupně podle popularity.
Omez výsledky na top 20 pomocí slice_max().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# track_metadata_tbl has been pre-defined
track_metadata_tbl

track_metadata_tbl %>%
  # Count the artist_name values
  ___ %>%
  # Restrict to top 20
  ___

Upravit a spustit kód