如何在 R 中的某个地方找到所有美国人口普查区？答案

【问题标题】：How do I find all the US Census Tracts in a Place in R?如何在 R 中的某个地方找到所有美国人口普查区？
【发布时间】：2016-07-18 20:28:23
【问题描述】：

有几个R 软件包可以更轻松地处理美国人口普查数据。我最常使用的两个是tigris（用于加载空间数据）和acs（用于加载表格数据）。

但是，我一直遇到的一个问题是，在不离开R 的情况下，我无法找到一种有效、可靠的方法来确定一个地方内的所有区域（或街区组、邮政编码等）。控制台。

例如，如果我想使用西雅图的人口普查区数据，我会首先使用 tigris::tracts 下载华盛顿州金县的空间数据：

library(tigris)
tr <- tigris::tracts(state = "WA", county = "King")

但不幸的是，没有明显的方法可以对这些数据进行子集化以仅包括西雅图的地区。

glimpse(tr)
Observations: 398
Variables: 12
$ STATEFP  (chr) "53", "53", "53", "53", "53", "53", "53", ...
$ COUNTYFP (chr) "033", "033", "033", "033", "033", "033", ...
$ TRACTCE  (chr) "003800", "021500", "032704", "026200", "0...
$ GEOID    (chr) "53033003800", "53033021500", "53033032704...
$ NAME     (chr) "38", "215", "327.04", "262", "327.03", "3...
$ NAMELSAD (chr) "Census Tract 38", "Census Tract 215", "Ce...
$ MTFCC    (chr) "G5020", "G5020", "G5020", "G5020", "G5020...
$ FUNCSTAT (chr) "S", "S", "S", "S", "S", "S", "S", "S", "S...
$ ALAND    (dbl) 624606, 3485578, 17160645, 15242622, 10319...
$ AWATER   (dbl) 0, 412526, 447367, 526886, 175464, 0, 4360...
$ INTPTLAT (chr) "+47.6794093", "+47.7643848", "+47.4940877...
$ INTPTLON (chr) "-122.2955292", "-122.2737863", "-121.7717...

同样，acs 包允许用户使用geo.make 函数创建人口普查数据的子集，但在我的示例中，如果我还没有所有地区的 GEOID 列表，这将无济于事西雅图地区。

作为记录，我知道可以在其他地方确定此信息。 Census.gov 常见问题解答中的 page 明确说明了如何确定给定人口普查地点的所有区域。但鉴于这是许多与人口普查相关的分析中的关键步骤，最好有一种方便的方法从R 控制台。

提前致谢。

编辑

虽然这个问题涉及空间数据，我最感兴趣的是寻找非空间解决方案。例如，我更喜欢查询人口普查 API 并返回返回向量的解决方案所需的 GEOID 到使用空间分析工具（例如，rgeos::intersects）来创建矢量的解决方案。为什么？因为空间方法在这个过程中更容易出错，而这是我们正在谈论的已知信息，而不是需要在空间上推断的东西。

【问题讨论】：

我不这么认为。城市不适合人口普查geographic hierarchy。如果您可以在 R 之外进行操作，为什么不您开发在 R 中执行此操作的方法？其他人可能也会觉得这很有帮助
@Alex 在人口普查层次结构中，城市属于“地点”类别。在R 之外获取此信息的方法（请参阅我上面提供的链接）需要与American FactFinder interface 进行交互。写入R 函数似乎是一个非常棘手的过程，但如果您有想法，我很乐意听到。
明白了。尽管如此，总体而言，大片是国家等级制度的较低级别；所以，大片和地方之间没有映射....关于您编写代码的想法：不幸的是，这不是我感兴趣的问题（不是故意粗鲁），所以我没有想法。跨度>
@Alex 对 - 不可能使用层次结构 GEOID 代码。但正如description 所示，这是我们正在谈论的已知信息。因此，虽然我们无法使用人口普查地理实体的层次结构提取它，但它仍然是应该以某种方式访问的信息（人口普查 API 对我来说似乎是最好的选择）。

标签： r census tigris

【解决方案1】：

使用ggmaps 包，我们可以使用数据中的纬度/经度点进行反向地理编码来获取信息。这将创建一个包含所有数据点的城市名称的向量。

city <- vector(mode = "character", length=nrow(tr@data))
for (i in 1:nrow(tr@data))
    city[i] <- strsplit(revgeocode(c(as.numeric(tr@data[i,12]), 
                                     as.numeric(tr@data[i,11]))), ", ")[[1]][2]
head(city)
[1] "Seattle"          "Lake Forest Park" "North Bend"       "Tukwila"
      "Snoqualmie"       "Woodinville"

【讨论】：

此解决方案有效。不幸的是，对所有这些点进行地理配准的过程非常耗时。我更新了我的问题以表明对 非空间 解决方案的偏好。我们会看看有没有什么结果。谢谢@TomNash！

【解决方案2】：

我经常需要相同类型的数据，所以我编写了一个 R 包来完成这项工作。这个包被称为totalcensus。你可以在这里找到它https://github.com/GL-Li/totalcensus。

使用此软件包，您可以非常轻松地获取城镇、城市、县、都会区和所有其他地理区域的区域、街区组或街区级别的数据。例如，如果您想获取 2011-2015 ACS 5 年调查中各个区域的块组级别的比赛数据，只需运行如下代码：

mixed <- read_acs5year(
    year = 2015,
    states = c("ut", "ri"),
    table_contents = c(
        "white = B02001_002",
        "black = B02001_003",
        "asian = B02001_005"
    ),
    areas = c(
        "Lincoln town, RI",
        "Salt Lake City city, UT",
        "Salt Lake City metro",
        "Kent county, RI",
        "COUNTY = UT001",
        "PLACE = UT62360"
    ),
    summary_level = "block group"
)

它返回如下数据：

#                      area               GEOID        lon      lat state population white black asian GEOCOMP SUMLEV                                                             NAME
#    1:    Lincoln town, RI 15000US440070115001  -71.46686 41.94419    RI       1561  1386   128    47     all    150 Block Group 1, Census Tract 115, Providence County, Rhode Island
#    2:    Lincoln town, RI 15000US440070115002  -71.47159 41.96754    RI        916   806    97     0     all    150 Block Group 2, Census Tract 115, Providence County, Rhode Island
#    3:    Lincoln town, RI 15000US440070115003  -71.47820 41.96364    RI       2622  2373    77    86     all    150 Block Group 3, Census Tract 115, Providence County, Rhode Island
#    4:    Lincoln town, RI 15000US440070115004  -71.47830 41.97346    RI       1605  1516    43     0     all    150 Block Group 4, Census Tract 115, Providence County, Rhode Island
#    5:    Lincoln town, RI 15000US440070116001  -71.44665 41.93120    RI        948   764     0     0     all    150 Block Group 1, Census Tract 116, Providence County, Rhode Island
# ---                                                                                                                                                                               
# 1129: Providence city, UT 15000US490050012011 -111.82424 41.69198    UT       2018  1877     0     0     all    150            Block Group 1, Census Tract 12.01, Cache County, Utah
# 1130: Providence city, UT 15000US490050012012 -111.80736 41.69323    UT       1486  1471     0     0     all    150            Block Group 2, Census Tract 12.01, Cache County, Utah
# 1131: Providence city, UT 15000US490050012013 -111.81310 41.65837    UT       1563  1440    15     0     all    150            Block Group 3, Census Tract 12.01, Cache County, Utah
# 1132: Providence city, UT 15000US490050012022 -111.85231 41.68674    UT       3894  3594     0     0     all    150            Block Group 2, Census Tract 12.02, Cache County, Utah
# 1133: Providence city, UT 15000US490059801001 -111.64525 41.67498    UT        118   118     0     0     all    150             Block Group 1, Census Tract 9801, Cache County, Utah

【讨论】：

貌似火包！我的机器上没有 200GB 的备用内存，但一旦有了，我一定会试一试。
以上示例使用 2015 年 ACS 5 年调查数据，大约 50GB。如果您不真正使用，则无需下载 2010 年人口普查数据。
啊 - 很高兴知道。 50GB 仍然会超过我的云设置的内存，但我可能可以在我的旧笔记本电脑上试一试。
如果你只关心几个州的数据，你可以只下载这些州的数据，例如download_census("acs5year", 2015, c("MA", "CT")，下载2010年人口普查生成的数据download_generated_data()，大约是120 MB。