Groepen: geweldig voor muziek, geweldig voor data

Een veelvoorkomende analysetaak is het berekenen van samenvattingsstatistieken voor elke groep in je data. Zo wil je misschien je omzet per maand of per regio weten. In R heet het proces waarbij je je data opsplitst in groepen, op elke groep een samenvattingsfunctie toepast en de resultaten samenvoegt tot één datastructuur, "split-apply-combine". Het idee is echter veel ouder: SQL heeft al decennialang de GROUP BY-instructie. De term "map-reduce" is een vergelijkbaar concept, waarbij "map" grofweg overeenkomt met de stappen "split" en "apply", en "reduce" met "combine". De aanpak van dplyr/sparklyr is om group_by() te gebruiken voordat je mutate() of summarize() toepast. Je geeft de niet-geciteerde namen van de kolommen mee waarop je wilt groeperen. Als je bijvoorbeeld het gemiddelde van kolom x wilt berekenen voor elke combinatie van waarden in de kolommen grp1 en grp2, schrijf je het volgende.

a_tibble %>%
  group_by(grp1, grp2) %>%
  summarize(mean_x = mean(x))

Let op: de kolommen die je aan group_by() doorgeeft, zijn doorgaans categorische variabelen. Als je bijvoorbeeld het gemiddelde gewicht van mensen ten opzichte van hun lengte wilt berekenen, heeft het geen zin om op lengte te groeperen, omdat ieders lengte uniek is. Je kunt echter wel cut() gebruiken om lengtes in categorieën in te delen en zo het gemiddelde gewicht per categorie te berekenen.