Cei mai frecvenți artiști

Funcția distinct() îți arată valorile unice. Uneori este util să știi și câte valori ai din fiecare tip. Funcția de bază din R pentru asta este table(), însă aceasta nu este compatibilă cu sparklyr, deoarece nu respectă filozofia tidyverse de a păstra totul în tibble-uri. În schimb, trebuie să folosești count(). Pasează-i numele coloanelor, fără ghilimele. De exemplu, pentru a număra combinațiile distincte ale coloanelor x, y și z, scrii:

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

Rezultatul este similar cu

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

… cu diferența că vei obține o coloană suplimentară, n, care conține numărul de apariții.

O utilizare foarte practică a funcției count() este să identifici cele mai frecvente valori. Pentru asta, apelezi count() cu argumentul sort = TRUE, care sortează rândurile în ordine descrescătoare după coloana n, apoi folosești slice_max() pentru a reține doar primele rezultate. (slice_max() este similar cu head() din R de bază, dar funcționează și cu seturi de date aflate la distanță, precum cele din Spark.) De exemplu, pentru a obține cele mai frecvente 20 de combinații ale coloanelor x, y și z, folosești:

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

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 ca spark_conn. Un tibble atașat la metadatele pistelor stocate în Spark a fost predefinit ca track_metadata_tbl.

Numără valorile din coloana artist_name din track_metadata_tbl.
- Pasează sort = TRUE pentru a sorta rândurile în ordine descrescătoare după popularitate.
Restricționează rezultatele la primele 20 folosind slice_max().

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# track_metadata_tbl has been pre-defined
track_metadata_tbl

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

Editează și rulează codul