Условное изменение cumsum dlpyr

Для этого будет проще, если вы можете поместить свои данные в формат, в котором каждый город представлен на каждом «конце» расстояния (как до, так и от). Итак, я изменил внесенное вами в конце изменение на Df вместо этого. Обратите внимание, что он использует complete из tidyr.

Df_full <-
  Df %>%
  bind_rows(
    select(Df, Town_From = Town_To, Town_To = Town_From, Distance)
  ) %>%
  complete(Town_From, Town_To, fill = list(Distance = 0)) %>%
  left_join(Df2, c("Town_To" = "Town"))

Это изменяет отношение «откуда» на обратное и добавляет его в конец списка. Затем он использует complete, чтобы добавить город как свой собственный «Кому» (например, от А до А). Наконец, он присоединяется к популяции, но теперь их нужно добавить только один раз. Вот новые данные:

# A tibble: 16 × 4
   Town_From Town_To Distance Population
       <chr>   <chr>    <dbl>      <dbl>
1          A       A        0       1000
2          A       B       10        800
3          A       C        5        500
4          A       D       18        200
5          B       A       10       1000
6          B       B        0        800
7          B       C       17        500
8          B       D       20        200
9          C       A        5       1000
10         C       B       17        800
11         C       C        0        500
12         C       D       21        200
13         D       A       18       1000
14         D       B       20        800
15         D       C       21        500
16         D       D        0        200

Затем мы устанавливаем пороговые значения, которые хотим исследовать. В своем вопросе вы подразумеваете, что хотите использовать каждое из уникальных попарных расстояний. Если вы предпочитаете какой-либо другой набор для производственного использования, просто введите его здесь.

radiusCuts <-
  Df_full$Distance %>%
  unique %>%
  sort

Затем мы создаем команду sum, которая суммирует только парные города в пределах радиуса, задавая имена в процессе, чтобы упростить использование summarise_ за мгновение.

forPops <-
  radiusCuts %>%
  setNames(paste("Pop within", ., "km")) %>%
  lapply(function(x){
    paste("sum(Population[Distance <=", x,"])")
  })

Наконец, мы group_by Town_From и передаем эти сконструированные аргументы стандартной функции оценки summarise_, которая создаст каждый из столбцов в forPops:

Df_full %>%
  group_by(Town_From) %>%
  summarise_(.dots = forPops)

дает:

# A tibble: 4 × 8
  Town_From `Pop within 0 km` `Pop within 5 km` `Pop within 10 km` `Pop within 17 km` `Pop within 18 km` `Pop within 20 km` `Pop within 21 km`
      <chr>             <dbl>             <dbl>              <dbl>              <dbl>              <dbl>              <dbl>              <dbl>
1         A              1000              1500               2300               2300               2500               2500               2500
2         B               800               800               1800               2300               2300               2500               2500
3         C               500              1500               1500               2300               2300               2300               2500
4         D               200               200                200                200               1200               2000               2500

Что должно дать вам все желаемые пороги.

Если ваша цель - вычислить сумму населения как функцию увеличения расстояния от каждого города (в центре круга), то мы можем (i) сгруппировать по Town_From, (ii) отсортировать каждую из этих групп по Distance, а затем (iii) вычислить cumsum. Использование dplyr:

library(dplyr)
res <- Df %>% group_by(Town_From) %>% 
              arrange(Distance) %>% 
              mutate(sumPop=pop_TF+cumsum(pop_TT))

Используя ваши данные, результат:

print(res)
##Source: local data frame [6 x 6]
##Groups: Town_From [3]
##
##  Town_From Town_To Distance pop_TF pop_TT sumPop
##    <chr>   <chr>    <dbl>  <dbl>  <dbl>  <dbl>
##1         A       C        5   1000    500   1500
##2         A       B       10   1000    800   2300
##3         B       C       17    800    500   1300
##4         A       D       18   1000    200   2500
##5         B       D       20    800    200   1500
##6         C       D       21    500    200    700