r - 条件变异 cumsum dplyr

Question

我有城镇(从 A 到 D)，人口不同，距离也不同。目标是将居住在半径圆(距离 XY)内的总人口相加，其中 X 是圆心的城镇，Y 是任何其他城镇。

在这段代码中:

    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 (distance) 排列。

5km半径范围内(从A到C)住1000(在A)+500(在C)=1500人；在下一个圈内住 1500 + 800(在 B 中)=2300。在第三圈内仍然住着 2300 人，因为城镇 A、B、C 在半径 B 到 C = 17 公里的范围内。在Circle半径A到D=18km内，住2300+200(在D)=2500人。

这是有关圆圈的可视化。理论上，圆可以扩展到任意半径。在实践中，我只需要在城镇对(计数发生变化的地方)之间的距离处检查它们。

Answer 1

为此，如果您可以将数据放入一种格式，其中每个城镇都在距离的每个“末端”(到达和来自)的每个“末端”上表示，则更容易。所以，我把你最后做的修改改成了Df改为。请注意，它使用 complete来自 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"))

这将反转 to-from 关系并将其附加到列表的底部。然后，它使用 complete添加城镇作为它自己的“到”(例如，从 A 到 A)。最后，它加入了种群，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，您暗示要使用每个唯一的成对距离。如果您更喜欢其他一些用于生产用途的设置，只需在此处输入它们。

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

然后，我们构造一个 sum该命令将仅对半径内的配对城市求和，在此过程中设置名称以简化 summarise_ 的使用一会儿。

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

最后，我们group_by Town_From并将这些构造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

这应该给你你想要的所有阈值。