Grupowanie – świetne w muzyce i w danych

Częstym zadaniem analitycznym jest obliczanie statystyk podsumowujących dla poszczególnych grup danych. Na przykład możesz chcieć sprawdzić przychody ze sprzedaży według miesiąca lub regionu. W R proces polegający na podziale danych na grupy, zastosowaniu statystyki podsumowującej dla każdej grupy i połączeniu wyników w jedną strukturę danych nosi nazwę „split-apply-combine". Sam koncept jest jednak znacznie starszy – SQL ma instrukcję GROUP BY od dziesięcioleci. Podobnym podejściem jest „map-reduce", gdzie „map" odpowiada mniej więcej etapom „split" i „apply", a „reduce" – etapowi „combine". W dplyr/sparklyr używamy group_by() przed mutate() lub summarize(). Funkcja ta przyjmuje niecytowane nazwy kolumn, według których chcemy grupować. Na przykład, aby obliczyć średnią kolumny x dla każdej kombinacji wartości w kolumnach grp1 i grp2, piszemy:

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

Pamiętaj, że kolumny przekazywane do group_by() powinny zazwyczaj być zmiennymi kategorycznymi. Na przykład obliczanie średniej wagi osób względem ich wzrostu nie ma sensu przy grupowaniu po wzroście, bo każda osoba ma inny wzrost. Można jednak użyć cut(), aby podzielić wzrosty na kategorie i obliczyć średnią wagę dla każdej z nich.