使用 R 语言计算各个城市距离北上广深的距离

根据培训班的一个小伙伴的需要,我再帮大家计算一下中国各个地级市距离北上广深的距离,首先加载相关的 R 包:

library(tidyverse)
library(sf)

读取各个城市的地理数据:

read_sf("2019行政区划/市.shp") -> city
计算质心:

city %>% 
  st_centroid() -> city_centroid

先以北京市为例,计算所有的地级市距离北京的距离:

# 计算所有地级市距离北京的距离
st_distance(
  city_centroid,
  city_centroid %>% 
    dplyr::filter(市 == "北京市")
) -> mat
mat[,1]
#> Units: [m]
#>   [1]       0.0  126702.0  284720.8  172266.5  236542.1  435058.8  358031.5
#>   [8]  167576.3  139156.7  160799.7  215046.3  104499.9  273788.2  432058.3
#>  [15]  231742.6  344875.2  512764.2  603197.9  328554.4  436454.0  727999.2
...
#> [358] 2368608.1 2533359.2 2960674.1 3168140.8 2412249.6 2405613.5 2582123.9
#> [365] 2825578.0 2963079.5 3211553.9 2632945.0 1872284.5 1985789.5 2016356.2

city_centroid %>% 
  mutate(dist = units::set_units(mat[,1], km),
         dist = as.numeric(dist)) -> df

bind_cols(
  df %>% 
    st_drop_geometry(),
  df %>% 
    st_coordinates() %>% 
    as_tibble() %>% 
    set_names(c("经度", "纬度"))
) %>% 
  rename(距离北京市的距离 = dist)
#> # A tibble: 371 x 8
#>    省代码 省     市代码 市       类型   距离北京市的距离  经度  纬度
#>     <dbl> <chr>   <dbl> <chr>    <chr>             <dbl> <dbl> <dbl>
#>  1 110000 北京市 110000 北京市   直辖市               0   116.  40.2
#>  2 120000 天津市 120000 天津市   直辖市             127.  117.  39.3
#>  3 130000 河北省 130100 石家庄市 地级市             285.  114.  38.1
#>  4 130000 河北省 130200 唐山市   地级市             172.  118.  39.7
#>  5 130000 河北省 130300 秦皇岛市 地级市             237.  119.  40.1
#>  6 130000 河北省 130400 邯郸市   地级市             435.  115.  36.6
#>  7 130000 河北省 130500 邢台市   地级市             358.  115.  37.2
#>  8 130000 河北省 130600 保定市   地级市             168.  115.  39.0
#>  9 130000 河北省 130700 张家口市 地级市             139.  115.  40.9
#> 10 130000 河北省 130800 承德市   地级市             161.  118.  41.3
#> # … with 361 more rows

然后我们可以使用 lapply() 计算距离北上广深四个城市的距离并分别保存为四个文件:

lapply(c("北京市", "上海市", "广州市", "深圳市"), function(x){
  st_distance(
    city_centroid,
    city_centroid %>% 
      dplyr::filter(市 == x)
  ) -> mat
  mat[,1]
  
  city_centroid %>% 
    mutate(dist = units::set_units(mat[,1], km),
           dist = as.numeric(dist)) -> df
  
  bind_cols(
    df %>% 
      st_drop_geometry(),
    df %>% 
      st_coordinates() %>% 
      as_tibble() %>% 
      set_names(c("经度", "纬度"))
  ) %>% 
    writexl::write_xlsx(paste0("各个地级市质心距离", x, "质心的距离.xlsx"))
})
#> [[1]]
#> [1] "/Users/ac/Desktop/各个地级市质心距离北京市质心的距离.xlsx"
#> 
#> [[2]]
#> [1] "/Users/ac/Desktop/各个地级市质心距离上海市质心的距离.xlsx"
#> 
#> [[3]]
#> [1] "/Users/ac/Desktop/各个地级市质心距离广州市质心的距离.xlsx"
#> 
#> [[4]]
#> [1] "/Users/ac/Desktop/各个地级市质心距离深圳市质心的距离.xlsx"

这样就完成了,所有文件里面的距离单位都是 km。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 160,165评论 4 364
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 67,720评论 1 298
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 109,849评论 0 244
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 44,245评论 0 213
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 52,596评论 3 288
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 40,747评论 1 222
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,977评论 2 315
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,708评论 0 204
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 34,448评论 1 246
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,657评论 2 249
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 32,141评论 1 261
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,493评论 3 258
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 33,153评论 3 238
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,108评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,890评论 0 198
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 35,799评论 2 277
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 35,685评论 2 272

推荐阅读更多精彩内容