如何按邮政编码聚类：将100英里范围内的地点分组

我有一个约700条记录的数据集，每条记录对应唯一ID和邮政编码（Zip Code），数据结构如下：

ID     ZipCode     Sales
1      15110       10,000
2      15115       15,000
3      98000       2,000
4      98001       10,000
5      70570       10,000

同时我有NBER提供的邮政编码距离数据集（仅包含100英里范围内的邮编对），结构如下：

zip1    miles_to_zip2    zip2
1534    50               1001
1534    44               1002
1534    48               1003

这个距离数据集有1300万行，但我只需要用到我那700个邮编的相关数据。我想用Python、R或Power BI实现最简方案，给每条记录加上cluster列，将100英里范围内的地点归为同一聚类（例如ID1和ID2归为cluster1，ID3和ID4归为cluster2，ID5归为cluster3）。

这是最直接的方案，利用pandas筛选数据，networkx处理图的连通分量（聚类本质是找相互连通的邮编组）：

1. 筛选目标邮编的距离数据 #

分块读取大距离数据集，只保留和我们700个邮编相关的行，避免内存过载：

import pandas as pd

# 读取自有数据集
my_data = pd.read_csv("your_data_file.csv")
target_zips = my_data["ZipCode"].unique().tolist()

# 分块读取并筛选距离数据
filtered_distance = pd.DataFrame()
for chunk in pd.read_csv("nber_distance_file.csv", chunksize=100000):
    # 保留zip1或zip2属于目标邮编的行
    mask = chunk["zip1"].isin(target_zips) | chunk["zip2"].isin(target_zips)
    filtered_distance = pd.concat([filtered_distance, chunk[mask]])

# 去重，避免重复的双向邮编对（如(zipA, zipB)和(zipB, zipA)）
filtered_distance = filtered_distance.drop_duplicates(subset=["zip1", "zip2"])

2. 识别聚类（连通分量） #

把邮编转化为图节点，100英里内的邮编对作为边，连通的节点即为同一聚类：

import networkx as nx

# 创建无向图
G = nx.Graph()
G.add_nodes_from(target_zips)
# 添加边
for _, row in filtered_distance.iterrows():
    G.add_edge(row["zip1"], row["zip2"])

# 生成邮编到聚类的映射
cluster_mapping = {}
current_cluster = 1
for component in nx.connected_components(G):
    for zip_code in component:
        cluster_mapping[zip_code] = f"cluster{current_cluster}"
    current_cluster += 1

# 合并聚类信息到原数据集
my_data["cluster"] = my_data["ZipCode"].map(cluster_mapping)

3. 输出结果 #

my_data.to_csv("clustered_result.csv", index=False)

用dplyr筛选数据，igraph处理连通分量：

1. 筛选距离数据 #

library(dplyr)

my_data <- read.csv("your_data_file.csv")
target_zips <- unique(my_data$ZipCode)

# 读取并筛选距离数据
filtered_distance <- read.csv("nber_distance_file.csv") %>%
  filter(zip1 %in% target_zips | zip2 %in% target_zips) %>%
  distinct(zip1, zip2, .keep_all = TRUE)

2. 生成聚类 #

library(igraph)

# 构建图对象
g <- graph_from_data_frame(filtered_distance[, c("zip1", "zip2")], directed = FALSE)
# 获取连通分量
cluster_info <- components(g)
# 构建映射表
cluster_mapping <- data.frame(
  ZipCode = names(cluster_info$membership),
  cluster = paste0("cluster", cluster_info$membership)
)

# 合并到原数据
clustered_data <- left_join(my_data, cluster_mapping, by = "ZipCode")

如果习惯可视化工具，推荐直接在Power BI中嵌入Python脚本（复用上面的Python代码），步骤如下：

1. 导入自有数据集和NBER距离数据集到Power BI；
2. 进入转换数据界面，新建空白查询，点击运行Python脚本，粘贴前面的Python代码（注意修改文件路径为Power BI中的表名，如my_data = dataset对应导入的自有数据表）；
3. 运行后即可得到带cluster列的数据集，加载到报表中使用。

内容的提问来源于stack exchange，提问作者Jurassic_Question