基于'construction'合并行：NYC 311数据dplyr处理求助

实现步骤 #

先给所有descriptor含"construction"的记录打标记，再按邮编分组统计占比，完整代码如下：

library(dplyr)

comp_types <- df %>%
  # 保留需要的字段
  select(complaint_type, descriptor, incident_zip) %>%
  # 标记施工相关投诉：不管大小写，只要descriptor里有construction就算
  mutate(is_construction = grepl("construction", descriptor, ignore.case = TRUE)) %>%
  # 按邮政编码分组
  group_by(incident_zip) %>%
  # 统计总投诉数、施工投诉数，计算占比
  summarize(
    total_complaints = n(),
    construction_complaints = sum(is_construction, na.rm = TRUE),
    construction_ratio = construction_complaints / total_complaints
  ) %>%
  # 过滤掉空的邮编记录
  filter(!is.na(incident_zip))

关键代码解释 #

• grepl(...)：模糊匹配descriptor里的"construction"，忽略大小写避免漏判（比如"Construction""CONSTRUCTION"都能被识别）
• sum(is_construction, na.rm = TRUE)：统计每组里施工投诉的数量，自动跳过缺失值
• construction_ratio：直接算出占比，要是需要百分比格式，改成construction_ratio = (construction_complaints / total_complaints)*100就行

可选优化 #

如果只关注噪音类投诉（比如complaint_type是"Noise"相关），可以在select之后加一行筛选：

filter(grepl("Noise", complaint_type, ignore.case = TRUE))

内容的提问来源于stack exchange，提问作者Ellie