Rezumarea coloanelor

Funcția mutate(), pe care ai văzut-o în exercițiul anterior, primește coloane ca intrări și returnează o coloană. Dacă vrei să calculezi statistici rezumative – cum ar fi media, maximul sau abaterea standard – ai nevoie de o funcție care să primească coloane ca intrări, dar să returneze o singură valoare. Aceasta este funcția summarize().

a_tibble %>%
  summarize(
    mean_x       = mean(x),
    sd_x_times_y = sd(x * y)
  )

Reține că dplyr are o filosofie (transmisă și către sparklyr) de a păstra întotdeauna datele în tibble-uri. Prin urmare, valoarea returnată este un tibble cu un singur rând și câte o coloană pentru fiecare statistică rezumativă calculată.

Acest exercițiu face parte din cursul

Introducere în Spark cu sparklyr în R

Vezi cursul

Instrucțiuni pentru exercițiu

O conexiune Spark a fost creată pentru tine sub numele spark_conn. Un tibble atașat la metadatele pistelor stocate în Spark a fost predefinit ca track_metadata_tbl.

Selectează câmpurile title și duration.
Transmite rezultatul mai departe pentru a crea un câmp nou, duration_minutes, care să conțină durata piesei în minute.
Transmite rezultatul mai departe către summarize() pentru a calcula durata medie în minute, într-un câmp numit mean_duration_minutes.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# track_metadata_tbl has been pre-defined
track_metadata_tbl

# Manipulate the track metadata
track_metadata_tbl %>%
  # Select columns
  ___ %>%
  # Mutate columns
  ___ %>%
  # Summarize columns
  ___

Editează și rulează codul