Question

我有城镇（从A到D），它们有不同的人口，并且距离不同。目标是将居住在半径圆（XY距离）内的总人口加起来，其中X是圆圈中心的城镇，Y是任何其他城镇。

在此代码中：

    Df <- structure(list(Town_From = c("A", "A", "A", "B", "B", "C"), Town_To = c("B", 
    "C", "D", "C", "D", "D"), Distance = c(10, 5, 18, 17, 20, 21)), .Names = c("Town_From", 
    "Town_To", "Distance"), row.names = c(NA, -6L), class = "data.frame")

    Df2 <- structure(list(Town = c("A", "B", "C", "D"), Population = c(1000, 
    800, 500, 200)), .Names = c("Town", "Population"), row.names = c(NA, 
    -4L), class = "data.frame")

    Df <- Df %>% left_join(Df2,by=c("Town_From"="Town")) %>% 
      left_join(Df2,by=c("Town_To"="Town"))%>%
      group_by(Town_From) %>% 
      arrange(Distance)
    colnames(Df)[4]<-c("pop_TF")
    colnames(Df)[5]<-c("pop_TT")
Source: local data frame [6 x 5]
Groups: Town_From [3]

  Town_From Town_To Distance pop_TF pop_TT
      <chr>   <chr>    <dbl>  <dbl>  <dbl>
1         A       C        5   1000    500
2         A       B       10   1000    800
3         B       C       17    800    500
4         A       D       18   1000    200
5         B       D       20    800    200
6         C       D       21    500    200

城镇由（Town_From）组织并由（距离）安排。

在5公里半径范围内（从A到C），活1000（A）+ 500（C）= 1500人;在下一个圈内活1500 + 800（在B中）= 2300。在第三圈内仍有2300人，因为城镇A，B，C在圆半径B到C = 17公里内。在圆半径A到D = 18km内，直播2300 + 200（在D中）= 2500人。

以下是相关圈子的可视化。从理论上讲，圆圈可以扩展到任意半径。在实践中，我只需要在城镇对之间的距离（计数变化的地方）检查它们。

Answer 1

为此，如果您可以将数据放入每个城镇的每个城镇都有代表的格式，那就更容易了。＆＃34;结束＆＃34;距离（从和到）。因此，我将最后所做的更改更改为Df。请注意，它使用complete中的tidyr。

Df_full <-
  Df %>%
  bind_rows(
    select(Df, Town_From = Town_To, Town_To = Town_From, Distance)
  ) %>%
  complete(Town_From, Town_To, fill = list(Distance = 0)) %>%
  left_join(Df2, c("Town_To" = "Town"))

这会转换to-from关系并将其附加到列表的底部。然后，它使用complete将城镇添加为自己的城镇＆＃34; To＆＃34; （例如，从A到A）。最后，它加入了人群，但现在只需要添加一次。这是新数据：

# A tibble: 16 × 4
   Town_From Town_To Distance Population
       <chr>   <chr>    <dbl>      <dbl>
1          A       A        0       1000
2          A       B       10        800
3          A       C        5        500
4          A       D       18        200
5          B       A       10       1000
6          B       B        0        800
7          B       C       17        500
8          B       D       20        200
9          C       A        5       1000
10         C       B       17        800
11         C       C        0        500
12         C       D       21        200
13         D       A       18       1000
14         D       B       20        800
15         D       C       21        500
16         D       D        0        200

接下来，我们设置我们想要探索的阈值。在您的问题中，您暗示您想要使用每个独特的成对距离。如果您更喜欢其他一些产品用于生产，请在此处输入。

radiusCuts <-
  Df_full$Distance %>%
  unique %>%
  sort

然后，我们构建一个sum命令，该命令只对半径内的成对城市求和，在过程中设置名称，以便在一瞬间轻松使用summarise_。

forPops <-
  radiusCuts %>%
  setNames(paste("Pop within", ., "km")) %>%
  lapply(function(x){
    paste("sum(Population[Distance <=", x,"])")
  })

最后，我们group_by Town_From并将这些构建的参数传递给标准评估函数summarise_，这将创建forPops中的每一列：

Df_full %>%
  group_by(Town_From) %>%
  summarise_(.dots = forPops)

给出：

# A tibble: 4 × 8
  Town_From `Pop within 0 km` `Pop within 5 km` `Pop within 10 km` `Pop within 17 km` `Pop within 18 km` `Pop within 20 km` `Pop within 21 km`
      <chr>             <dbl>             <dbl>              <dbl>              <dbl>              <dbl>              <dbl>              <dbl>
1         A              1000              1500               2300               2300               2500               2500               2500
2         B               800               800               1800               2300               2300               2500               2500
3         C               500              1500               1500               2300               2300               2300               2500
4         D               200               200                200                200               1200               2000               2500

哪个应该为您提供所需的所有阈值。

Answer 2

如果您的目标是计算人口总和作为每个城镇（在圆心）增加距离的函数，那么我们可以（i）按Town_From分组，（ii）排序每个组Distance，然后（iii）计算cumsum。使用dplyr：

library(dplyr)
res <- Df %>% group_by(Town_From) %>% 
              arrange(Distance) %>% 
              mutate(sumPop=pop_TF+cumsum(pop_TT))

使用您的数据，结果是：

print(res)
##Source: local data frame [6 x 6]
##Groups: Town_From [3]
##
##  Town_From Town_To Distance pop_TF pop_TT sumPop
##    <chr>   <chr>    <dbl>  <dbl>  <dbl>  <dbl>
##1         A       C        5   1000    500   1500
##2         A       B       10   1000    800   2300
##3         B       C       17    800    500   1300
##4         A       D       18   1000    200   2500
##5         B       D       20    800    200   1500
##6         C       D       21    500    200    700

有条件的变异cumsum dlpyr

2 个答案: