R 查找兩個美國郵政編碼列之間的距離

Question

我想知道使用 R 計算兩個美國郵政編碼列之間的距離的最有效方法是什么。

我聽說過用於計算郵政編碼之間差異的 geosphere 包，但並不完全理解它，並且想知道是否還有其他方法。

例如說我有一個看起來像這樣的數據框。

 ZIP_START     ZIP_END
 95051         98053
 94534         94128
 60193         60666
 94591         73344
 94128         94128
 94015         73344
 94553         94128
 10994         7105
 95008         94128

我想創建一個看起來像這樣的新數據框。

 ZIP_START     ZIP_END     MILES_DIFFERENCE
 95051         98053       x
 94534         94128       x
 60193         60666       x
 94591         73344       x
 94128         94128       x
 94015         73344       x
 94553         94128       x
 10994         7105        x
 95008         94128       x

其中 x 是兩個郵政編碼之間的英里差。

計算此距離的最佳方法是什么？

這是創建示例數據框的 R 代碼。

df <- data.frame("ZIP_START" = c(95051, 94534, 60193, 94591, 94128, 94015, 94553, 10994, 95008), "ZIP_END" = c(98053, 94128, 60666, 73344, 94128, 73344, 94128, 7105, 94128))

請讓我知道，如果你有任何問題。

任何建議表示贊賞。

感謝您的幫助。

Answer 1

有一個名為“zipcode”的方便的 R 包，它提供了一個包含郵政編碼、城市、州以及緯度和經度的表格。 所以一旦你有了這些信息，“geosphere”包就可以計算點之間的距離。

library(zipcode)
library(geosphere)

#dataframe need to be character arrays or the else the leading zeros will be dropped causing errors
df <- data.frame("ZIP_START" = c(95051, 94534, 60193, 94591, 94128, 94015, 94553, 10994, 95008), 
       "ZIP_END" = c(98053, 94128, 60666, 73344, 94128, 73344, 94128, "07105", 94128), 
       stringsAsFactors = FALSE)

data("zipcode")

df$distance_meters<-apply(df, 1, function(x){
  startindex<-which(x[["ZIP_START"]]==zipcode$zip)
  endindex<-which(x[["ZIP_END"]]==zipcode$zip)
  distGeo(p1=c(zipcode[startindex, "longitude"], zipcode[startindex, "latitude"]), p2=c(zipcode[endindex, "longitude"], zipcode[endindex, "latitude"]))
})

關於輸入數據框的列類的警告。 郵政編碼應該是字符而不是數字，否則會丟棄前導零導致錯誤。

從 distGeo 返回的距離以米為單位，我將允許讀者確定正確的單位轉換為英里。

更新
郵政編碼包似乎已存檔。 有一個替換包：“zipcodeR”，它提供經度和緯度數據以及附加信息。

Answer 2

正如 Dave2e 提到的，原始 zipcode 包已經從 CRAN 中刪除，所以我們需要使用 zipcodeR 代替。

if (!require("zipcodeR"))install.packages("zipcodeR")
if (!require("geosphere"))install.packages("geosphere")

df <- data.frame(
  "ZIP_START" = c(95051, 94534, 60193, 94591, 94128, 94015, 94553, 10994, 95008),
  "ZIP_END" = c(98053, 94128, 60666, 73344, 94128, 73344, 94128, "07105", 94128),
  stringsAsFactors = FALSE
)

data("zip_code_db")

df$distance_meters<-apply(df, 1, function(x){
  startindex<-which(x[["ZIP_START"]]==zip_code_db$zipcode)
  endindex<-which(x[["ZIP_END"]]==zip_code_db$zipcode)
  distGeo(p1=c(zip_code_db[startindex, "lng"], 
               zip_code_db[startindex, "lat"]), 
          p2=c(zip_code_db[endindex, "lng"], 
               zip_code_db[endindex, "lat"]))
})

這是基於新 zipcodeR 包的修復。 歸功於 Dave2e。

Answer 3

OP 要求“最有效”，因此給出

• 當您想在大量數據上使用geosphere時，它的速度非常慢
• apply本質上是一個循環函數，通常可以使用矢量化代碼擊敗

我提出了一個使用data.table和library(geodist)的完全矢量化的解決方案

#dataframe need to be character arrays or the else the leading zeros will be dropped causing errors
df <- data.frame("ZIP_START" = c(95051, 94534, 60193, 94591, 94128, 94015, 94553, 10994, 95008), 
                 "ZIP_END" = c(98053, 94128, 60666, 73344, 94128, 73344, 94128, "07105", 94128), 
                 stringsAsFactors = FALSE)


library(zipcodeR)
library(data.table)
library(geodist)

## Convert the zip codes to data.table so we can join on them
## I'm using the centroid of the zipcodes (lng and lat).
## If you want the distance to the endge of the zipcode boundary you'll
## need to convert this into a spatial data set
dt_zips <- as.data.table( zip_code_db[, c("zipcode", "lng", "lat")])

## convert the input data.frame into a data.talbe
setDT( df )

## the postcodes need to be characters
df[
  , `:=`(
    ZIP_START = as.character( ZIP_START )
    , ZIP_END = as.character( ZIP_END )
  )
]

## Attach origin lon & lat using a join
df[
  dt_zips
  , on = .(ZIP_START = zipcode)
  , `:=`(
    lng_start = lng
    , lat_start = lat
  )
]

## Attach destination lon & lat using a join
df[
  dt_zips
  , on = .(ZIP_END = zipcode)
  , `:=`(
    lng_end = lng
    , lat_end = lat
  )
]

## calculate the distance
df[
  , distance_metres := geodist::geodist_vec(
    x1 = lng_start
    , y1 = lat_start
    , x2 = lng_end
    , y2 = lat_end
    , paired = TRUE
    , measure = "haversine"
  )
]

## et voila - note the missing zipcode 6066 and 73344
df

#    ZIP_START ZIP_END lng_start lat_start lng_end lat_end distance_metres
# 1:     95051   98053   -121.98     37.35 -122.02   47.66      1147708.60
# 2:     94534   94128   -122.10     38.20 -122.38   37.62        69090.01
# 3:     60193   60666    -88.09     42.01      NA      NA              NA
# 4:     94591   73344   -122.20     38.12      NA      NA              NA
# 5:     94128   94128   -122.38     37.62 -122.38   37.62            0.00
# 6:     94015   73344   -122.48     37.68      NA      NA              NA
# 7:     94553   94128   -122.10     38.00 -122.38   37.62        48947.02
# 8:     10994   07105    -73.97     41.10  -74.15   40.72        44930.17
# 9:     95008   94128   -121.94     37.28 -122.38   37.62        54263.61

另請注意，返回的距離以米為單位。