團體在音樂很棒，在資料上一樣好用

在分析中，經常需要為每個群組計算彙總統計值。比方說，你可能想知道依月份或依地區的銷售收入。在 R 中，將資料分成群組、對每個群組套用彙總統計，然後把結果合併回單一資料結構的流程，稱為「split-apply-combine」。這個概念其實更早就存在了：SQL 已經有 GROUP BY 敘述幾十年之久。「map-reduce」也是類似概念，其中「map」大致對應「split」與「apply」步驟，而「reduce」則是「combine」。在 dplyr/sparklyr 中，做法是先使用 group_by()，再進行 mutate() 或 summarize()。它接收未加引號的欄位名稱作為分組鍵。舉例來說，若要針對欄位 grp1 與 grp2 的每種組合，計算欄位 x 的平均值，可以這樣寫：

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

請注意，傳給 group_by() 的欄位通常應該是類別型變數。比如說，若你想依身高來計算人的平均體重，直接用身高分組並不合理，因為每個人的身高幾乎都是唯一值。不過，你可以使用 cut() 將身高切成不同區間類別，接著對每個類別計算平均體重。

本練習屬於課程

使用 R 的 sparklyr：Spark 入門

檢視課程

練習說明

我們已為你建立 spark_conn 這個 Spark 連線。已在 Spark 中預先定義連結到曲目中繼資料的 tibble track_metadata_tbl。

以 artist_name 對 track_metadata 的內容進行分組，接著：
- 將 duration 的群組平均值彙總為新欄位 mean_duration。
- 把結果指派給 duration_by_artist。
依 mean_duration 遞增排序列，找出歌曲最短的藝人。
同樣地，改為依 mean_duration 遞減排序，找出歌曲最長的藝人。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# track_metadata_tbl has been pre-defined
track_metadata_tbl

duration_by_artist <- track_metadata_tbl %>%
  # Group by artist
  ___ %>%
  # Calc mean duration
  ___

duration_by_artist %>%
  # Sort by ascending mean duration
  ___

duration_by_artist %>%
  # Sort by descending mean duration
  ___

編輯並執行程式碼