在R中将邮政编码离散化到美国地区答案

【问题标题】：Discretization of zip codes to US regions in R在R中将邮政编码离散化到美国地区
【发布时间】：2014-11-12 01:22:12
【问题描述】：

我想将带有邮政编码的数据离散化到区域中

我有字符数据

样本：

zip_code
'45654'
'12321'
'99453'

等

我有 6 个有规则的类别：

区域 1 - 东北：01000-19999

区域 2 - SE：20000-39999

区域 3 - MW：40000-58999,60000-69999

区域 4 - 西南：70000-79999,85000-88499

区域 5 - MT：59000-59999,80000-84999,88900-89999

区域 6 - PC：90000-99999

我希望我的输出是因子数据：

region
'MW'
'NE'
'PC'

等

显然，我知道许多离散化数据的方法，但没有一个是干净优雅的（如循环、ifelse 等）

有没有一种优雅的方法来应用具有 6 个类别的案例来离散化这些数据？

【问题讨论】：

标签： r case geocoding discretization

【解决方案1】：

好的，很乱，但这可以工作。我假设您必须使用字符对象，因为某些邮政编码以 0 开头。 Obs。用您的邮政编码替换这些数字。

zip_code <- c('1','6','15')
regions <- list(NE = as.character(1:3), 
        SE = as.character(4:6), 
        MW = as.character(7:9), 
        SW = as.character(10:12), 
        MT = as.character(13:15), 
        PC = as.character(16:19))
sapply(zip_code, function(x) names(regions[sapply(regions, function(y) x %in% y)]))

 1    6   15 
"NE" "SE" "MT"

【讨论】：

请注意，这可能不是最优雅的解决方案，我相信其他人会加入其他解决方案
可能有更优雅的解决方案，但您的解决方案很实用，这是我很难适应的思维框架。

【解决方案2】：

这是一个 data.table 解决方案，使用 foverlaps(...) 和包 zipcode 中的完整美国邮政编码数据库作为示例。请注意，您对范围的定义是有缺陷的：例如，NH 中的邮政编码超出了NE 范围，而 PR 则完全缺失。

library(data.table)  # 1.9.4+
library(zipcode)
data(zipcode)        # database of US zip codes (a data frame)

zips    <- data.table(zip_code=zipcode$zip)
regions <- data.table(region=c("NE" , "SE", "MW", "MW", "SW", "SW", "MT", "MT", "MT", "PC"),
                      start =c(01000,20000,40000,60000,70000,85000,59000,80000,88900,90000),
                      end   =c(19999,39999,58999,69999,79999,88400,59999,84999,89999,99999))
setkey(regions,start,end)
zips[,c("start","end"):=list(as.integer(zip_code),as.integer(zip_code))]
result <- foverlaps(zips,regions)[,list(zip_code,region)]
result[sample(1:nrow(result),10)]   # random sample of the result
#    zip_code region
#  1:    27113     SE
#  2:    36101     SE
#  3:    55554     MW
#  4:    91801     PC
#  5:    20599     SE
#  6:    90250     PC
#  7:    95329     PC
#  8:    63435     MW
#  9:    60803     MW
# 10:    07040     NE

foverlaps(...) 以这种方式工作：假设 data.table x 具有表示范围的列 a 和 b（例如，a b 表示所有行）和 data.table y 有列 c 和 d 类似地表示一个范围。然后foverlaps(x,y) 为x 中的每一行查找y 中具有重叠范围的所有行。

在您的情况下，我们将 y 参数设置为区域，其中范围是每个（子）区域的开始和结束邮政编码。然后我们将x 设置为原始邮政编码数据库，使用实际邮政编码（转换为整数）作为范围的开头和结尾。

foverlaps(...) 非常快。在这种情况下，整个美国邮政编码数据库（>44,000 个邮政编码）的处理时间约为 23 毫秒。

【讨论】：

【解决方案3】：

您也可以尝试（使用@Scott Chamberlain 的数据）

  with(stack(regions), unique(ind[ave(values %in% zip_code, ind, FUN=I)]))
 #[1] NE SE MT
 #Levels: MT MW NE PC SE SW

或者

 library(dplyr)
 library(tidyr)
 unnest(regions, region) %>%
                     group_by(region) %>%
                     filter(x %in% zip_code)

 # region x
 #1   NE  1
 #2   SE  6
 #3   MT 15

或者

 r1 <- vapply(regions, function(x) any(x %in% zip_code), logical(1))
 names(r1)[r1]
 #[1] "NE" "SE" "MT"

【讨论】：