Count Distinct Restaurants by Zip Code in R

Question

Mam ramkę danych, która ma średnią pensję każdego amerykańskiego kodu pocztowego, a także wszystkie restauracje fast food znajdujące się w tym kodzie pocztowym. Oto próbka tej ramki danych:

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 

Chcę zrobić dwie rzeczy. Po pierwsze, chcę utworzyć nową ramkę danych, która ma tylko unikalne kody pocztowe, medianę wynagrodzenia tego kodu pocztowego i całkowitą liczbę restauracji w tym kodzie pocztowym. Tak więc, na tym przykładzie ramki danych:

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

drugie, chcę stworzyć ramkę danych, który ma tylko unikalny kod pocztowy i kolumnę z ogólnej liczby każdego typu fast food. Więc dla tej próbki ramki danych:

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

Myślałem poniższy kod będzie działać, ale to tylko daje mi kod pocztowy oraz całkowitą restaurację, i nie jestem pewien, jak go zmodyfikować, aby zawierać trzy pozostałe kolumny.

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

Każda pomoc zostanie bardzo doceniona.

Edycja: Oto, z jakimi typami danych pracuję w mojej ramce danych.

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 ... 

Oto moja informacji sesja:

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 i reshape2, będzie to jedna droga. Ponieważ chcesz podsumować dane przez ZIP, możesz użyć tej zmiennej do grupowania danych. Nie jest jasne, czy wartości MEDIAN są identyczne dla każdego ZIP, czy nie. Tutaj założyłem, że możesz mieć różne wartości. Dlatego użyłem median(). Korzystając z numeru n(), można dowiedzieć się, ile sklepów fast food istnieje.

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 

Dla drugiej części można użyć dcast(). Chcesz zobaczyć, ile sklepów fast food istnieje według rodzajów fast foodów. Przez kombinację ZIP i MEDIAN, pytasz R, aby sprawdzić, ile sklepów (RESTAURACJA) istnieje.

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 

Jeśli używasz data.table, możesz wykonać następujące czynności.

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") 

DANE

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))