通过邮编区号统计不同的餐厅R

Question

我有一个数据框，其中包含每个美国邮政编码的中位数工资以及位于该邮政编码内的所有快餐店。下面是该数据帧的示例：

Row_NUM ZIP MEDIAN RESTAURANT 
26800 1001 56663 McDonald's 
33161 1007 79076 McDonald's 
23706 1008 63980 McDonald's 
23709 1008 63980 McDonald's 
30007 1008 63980 Taco Bell 
30008 1008 63980 McDonald's 
30009 1011 63476 McDonald's 
24429 1013 36578 McDonald's 
15323 1020 50058 KFC 
29196 1020 50058 McDonald's 
33127 1020 50058 McDonald's 
39362 1020 50058 Wendy's 
44914 1020 50058 Taco Bell 
2542 1027 58573 Burger King 
35242 1027 58573 McDonald's 

我想做两件事。 首先，我想创建一个只有唯一邮政编码的新数据框，该邮政编码的平均工资以及该邮政编码中的餐馆总数。因此，对于该数据帧样本：

ZIP MEDIAN TOTAL_RESTAURANTS 
1001 56663 1 
1007 79076 1 
1008 63980 4 

其次，我想创建一个只具有独特的邮政编码和每种类型的快餐店的总数量列的数据帧。因此，对于这个数据帧样本：

ZIP MEDIAN TOTAL_MCDONALDS TOTAL_TACOBELL TOTAL_KFC 
1001 56663 1    0    0 
1007 79076 1    0    0 
1008 63980 3    1    0 

我想下面的代码的工作，但它只是给我的邮政编码和食肆总，我不知道如何修改它以包括其他三列。

df <- ddply(df,~ZIP, summarise,TOTAL_RESTAURANTS=length(RESTAURANT)) 

任何帮助将不胜感激。

编辑：这是我在我的数据框中使用的数据类型。

str(df) 
    data.frame': 50002 obs. of 3 variables: 
$ ZIP  : int 44126 24014 77011 2190 48509 21061 43213 70130 31907 19422 ... 
$ MEDIAN : int 54496 50175 27113 74205 50895 62408 36734 47591 38710 103683 ... 
$ RESTAURANT: Factor w/ 10 levels "McDonald's","Burger King",..: 2 2 2 2 2 2 2 2 2 2 ... 

这里是我的会话信息：

R version 3.2.2 (2015-08-14) 
Platform: x86_64-apple-darwin13.4.0 (64-bit) 
Running under: OS X 10.11 (El Capitan) 

locale: 
[1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8 

attached base packages: 
[1] graphics grDevices utils  datasets grid  stats  methods base  

other attached packages: 
[1] lubridate_1.3.3 extrafont_0.17 jsonlite_0.9.16 dplyr_0.4.2  tidyr_0.2.0  tableplot_0.3-5 reshape2_1.4.1 RCurl_1.95-4.7 
[9] bitops_1.0-6 gplots_2.17.0 ggthemes_2.2.1 ggplot2_1.0.1 

loaded via a namespace (and not attached): 
[1] Rcpp_0.12.0  Rttf2pt1_1.3.3  magrittr_1.5  MASS_7.3-43  munsell_0.4.2  colorspace_1.2-6 R6_2.1.1   
[8] stringr_1.0.0  plyr_1.8.3   caTools_1.17.1  tools_3.2.2  parallel_3.2.2  gtable_0.1.2  KernSmooth_2.23-15 
[15] DBI_0.3.1   extrafontdb_1.0 gtools_3.5.0  lazyeval_0.1.10 assertthat_0.1  digest_0.6.8  memoise_0.2.1  
[22] labeling_0.3  gdata_2.17.0  stringi_0.5-5  scales_0.3.0  proto_0.3-10 

Answer 1

Uisng dplyr和reshape2，这将是一条路可走。由于您想通过ZIP汇总数据，因此可以使用该变量对数据进行分组。有一件事我不清楚的是MEDIAN值是否与每个ZIP相同。在这里，我假设你可能有不同的价值观。因此，我用median()。使用n()，你可以找出有多少快餐店存在。

summarize(group_by(mydf, ZIP), mid = median(MEDIAN), total = n()) 

#If you have an identical MEDIAN for each ZIP, you could do; 
summarize(group_by(mydf, ZIP), mid = first(MEDIAN), total = n()) 

# ZIP mid total 
# (int) (dbl) (int) 
#1 1001 56663  1 
#2 1007 79076  1 
#3 1008 63980  4 
#4 1011 63476  1 
#5 1013 36578  1 
#6 1020 50058  5 
#7 1027 58573  2 

对于第二部分，你可以使用dcast()。您想了解快餐店的种类有多少快餐店。通过ZIP和MEDIAN的组合，您要求R检查有多少商店（RESTAURANT）存在。

dcast(mydf, ZIP + MEDIAN ~ RESTAURANT, length, value.var = "RESTAURANT") 

# ZIP MEDIAN BurgerKing KFC McDonald's TacoBell Wendy's 
#1 1001 56663   0 0   1  0  0 
#2 1007 79076   0 0   1  0  0 
#3 1008 63980   0 0   3  1  0 
#4 1011 63476   0 0   1  0  0 
#5 1013 36578   0 0   1  0  0 
#6 1020 50058   0 1   2  1  1 
#7 1027 58573   1 0   1  0  0 

如果您使用data.table，您可以执行以下操作。

library(data.table) 
setDT(mydf)[, list(mid = first(MEDIAN), total = .N), by = ZIP][] 
# If you calculate median 
setDT(mydf)[, list(mid = as.double(median(MEDIAN)), total = .N), by = ZIP][] 

dcast(setDT(mydf), ZIP + MEDIAN ~ RESTAURANT, fun = length, value.var = "RESTAURANT") 

DATA

mydf <-structure(list(Row_NUM = c(26800L, 33161L, 23706L, 23709L, 30007L, 
30008L, 30009L, 24429L, 15323L, 29196L, 33127L, 39362L, 44914L, 
2542L, 35242L), ZIP = c(1001L, 1007L, 1008L, 1008L, 1008L, 1008L, 
1011L, 1013L, 1020L, 1020L, 1020L, 1020L, 1020L, 1027L, 1027L 
), MEDIAN = c(56663L, 79076L, 63980L, 63980L, 63980L, 63980L, 
63476L, 36578L, 50058L, 50058L, 50058L, 50058L, 50058L, 58573L, 
58573L), RESTAURANT = structure(c(3L, 3L, 3L, 3L, 4L, 3L, 3L, 
3L, 2L, 3L, 3L, 5L, 4L, 1L, 3L), .Label = c("BurgerKing", "KFC", 
"McDonald's", "TacoBell", "Wendy's"), class = "factor")), .Names = c("Row_NUM", 
"ZIP", "MEDIAN", "RESTAURANT"), class = "data.frame", row.names = c(NA, 
-15L))