请求优化/精简处理空间对象的R代码，整合结果并提升效率

核心优化思路 #

针对你代码中重复计算、结果分散的问题，优化方向是一次性计算基础数据，再通过分组整合多阈值场景结果，既提升效率，又能得到便于后续分析的单一数据对象。

优化后代码 #

library(sf)
library(dplyr)
library(tidyr)

# 1. 一次性计算所有缓冲区的建筑数量和学校数量
# 避免重复调用st_intersects（空间计算耗时，重复调用浪费资源）
buffer_full <- buffer3000 %>%
  mutate(
    建筑数量 = lengths(st_intersects(., shp_BAG)),
    学校数量 = lengths(st_intersects(., shp_BAG_slim))
  )

# 2. 定义阈值列表，生成整合所有场景的数据集
thresholds <- c(1500, 1000, 500)
buffer_combined <- purrr::map_dfr(thresholds, function(th) {
  buffer_full %>%
    filter(建筑数量 >= th) %>%  # 修正原代码逻辑：需求是≥阈值，原代码写为<=
    mutate(阈值场景 = paste0("≥", th, "栋"))
})

# 可选：加入原始全量数据，方便对比
buffer_combined <- bind_rows(
  buffer_full %>% mutate(阈值场景 = "所有缓冲区"),
  buffer_combined
)

优化点说明 #

• 减少重复计算：仅调用2次st_intersects（原代码调用4次），空间数据量大时效率提升明显
• 结果统一整合：所有阈值场景的数据存储在同一个sf数据框中，通过阈值场景列区分不同场景
• 修正逻辑错误：原代码过滤条件用了<=，与需求的「≥阈值」不符，已修正

后续分析示例 #

统计各场景学校总数

buffer_combined %>%
  group_by(阈值场景) %>%
  summarise(学校总数 = sum(学校数量))

绘制不同阈值场景的空间分布图

library(ggplot2)
ggplot(buffer_combined) +
  geom_sf(aes(fill = 学校数量)) +
  facet_wrap(~阈值场景) +
  scale_fill_viridis_c(name = "学校数量") +
  theme_minimal()

内容的提问来源于stack exchange，提问作者Sas