如何在R Studio中计算邮政编码的建筑类噪音投诉占比标准差

步骤1：数据预处理与筛选 #

先从原始数据中筛选出所有噪音类投诉（投诉类型包含Noise:），同时标记每条投诉是否涉及建筑施工（描述中包含Construct，忽略大小写避免遗漏）。

用R代码实现：

library(dplyr)

# 假设你的数据框名为nyc_noise_complaints
processed_data <- nyc_noise_complaints %>%
  # 筛选噪音投诉
  filter(grepl("Noise:", complaint_type)) %>%
  # 标记是否为建筑相关噪音投诉
  mutate(is_construction = grepl("Construct", description, ignore.case = TRUE))

步骤2：按邮编计算建筑噪音投诉占比 #

按邮政编码分组，计算每组的总噪音投诉数、建筑类噪音投诉数，再算出占比：

zipcode_ratios <- processed_data %>%
  group_by(zipcode) %>%
  summarise(
    total_noise = n(),  # 该邮编总噪音投诉数
    construction_noise = sum(is_construction, na.rm = TRUE),  # 建筑类噪音投诉数
    construction_ratio = construction_noise / total_noise  # 计算占比
  )

步骤3：计算所有邮编占比的标准差 #

zipcode_ratios中已包含每个邮编的建筑噪音投诉占比construction_ratio，直接用sd()函数计算标准差即可：

ratio_sd <- sd(zipcode_ratios$construction_ratio, na.rm = TRUE)
# 打印结果
cat("所有邮编建筑噪音投诉占比的标准差为：", ratio_sd, "\n")

针对你之前尝试的补充说明 #

你之前按邮编+描述分组统计数量的方式，会把每个不同描述拆分开，不利于直接计算占比。我们需要的是每个邮编的整体统计：先统计该邮编下所有噪音投诉的总数，再统计其中符合建筑描述的数量，两者相除得到占比，最后对所有占比求标准差即可。

示例数据验证 #

用模拟的纽约噪音投诉样本测试：

# 模拟样本数据
sample_data <- tibble(
  zipcode = c(10001, 10001, 10001, 10002, 10002, 10003, 10003, 10003, 10003),
  complaint_type = c(rep("Noise: Construction", 3), rep("Noise: Street", 2), rep("Noise: Construction", 2), rep("Noise: Street", 2)),
  description = c("Loud construction at night", "Construction noise early morning", "Jackhammer noise", "Car honking", "Bar music", "Weekend construction", "Construction after hours", "Sirens", "Traffic noise")
)

# 执行上述步骤
processed_sample <- sample_data %>%
  filter(grepl("Noise:", complaint_type)) %>%
  mutate(is_construction = grepl("Construct", description, ignore.case = TRUE))

zip_ratios_sample <- processed_sample %>%
  group_by(zipcode) %>%
  summarise(
    total_noise = n(),
    construction_noise = sum(is_construction),
    construction_ratio = construction_noise / total_noise
  )

sd(zip_ratios_sample$construction_ratio)
# 输出结果约为0.4714

内容的提问来源于stack exchange，提问作者Data Science Analytics Manager