如何在R上创建速率

我想更改我的数据，以便它能给我该州人口中行人的比率。我使用的是线性模型，我的汇总值如下所示： 系数：

             Estimate Std. Error t value Pr(>|t|)   
(Intercept)  0.087061   0.029876   2.914  0.00438 **
intersection 0.009192   0.003086   2.978  0.00362 ** 

在这里，我的beta值交集是.009192，这没有意义，因为与人口较少的州相比，这个值可能没有什么意义

下面是我的数据的浓缩版本，没有我使用的所有列，但这里是csv的链接，以防有人想从中下载

>头部（c）
#一个tibble:6x15
州名PEDS人PERMVIT PERNOTMVIT县县名市日月年纬度经度
1阿拉巴马州03081李（81）234072201932.7-85.3
2 1阿拉巴马0 2 0 55 ETOWAH（55）1280 23 1 2019 34.0-86.1
3 1阿拉巴马州0 4 0 29克莱伯恩（29）0 22 1 2019 33.7-85.4
4 1阿拉巴马州1 1 55埃托瓦（55）2562 22 1 2019 34.0-86.1
51Alabama 01103Baldwin（3）0181201930.7-87.8
6 1阿拉巴马州0 2 0 85 LOWNDES（85）0 7 1 2019 32.2-86.4
#…还有一个变量：命运

下面是我的代码，它贯穿了我正在执行的过程。我不知道如何更改它，使每个值都是一个速率（值如peds或type_int）

#库
rm（list=ls（））#用于清除内存中的任何内容
图书馆（单张）
图书馆（tidyverse）
图书馆（ggmap）
图书馆（单张、附加资料）
图书馆（htmltools）
图书馆（GG2）
图书馆（地图）
图书馆（mapproj）
图书馆（地图数据）
图书馆（动物园）
图书馆（TSIBLE）
setwd（“~/Desktop/Statistics790/DataSets/fars2019nationalcv”）
df%
变异（日期=as.date（as.character（粘贴（年、月、日、九月=“-”，%Y-%m-%d）））%>%#创建一个日期
分组依据（日期）%>%#分组依据州id和日期
#汇总在（.vars=vars（PEDS），总和）
总结（pedday=总和（PEDS），交点=平均值（典型值））
#ts1整理我从评论中得到的答案：你需要从外部来源（如美国人口普查）获取州人口数据，读入数据，将其加入到你的数据集中，然后计算每人口的行人率，缩放以便于在图表上阅读。通过将一些计算从循环中去掉，可以加快代码的速度。下面的代码假设普查数据称为“census.csv”，并包含“地理区域”列（表示州）和“X2019”列（表示最新可用的人口数据）

pop <- read.csv('census.csv')
df <- read.csv('accidents.csv') %>% 
   left_join(pop, by = c('STATENAME' = 'Geographic Area') %>% 
   mutate(rate = (PEDS / X2019) * <scale>) %>%
   mutate(date = as.Date(as.character(paste(YEAR, MONTH, DAY, sep = "-"),"%Y-%m-%d")))

pop%
突变率=（PEDS/X2019）*）%>%
变异（日期=as.date（as.character）（粘贴（年、月、日、九月=“-”，%Y-%m-%d”））

左连接将匹配州名称，并根据其状态为每一行指定一个填充值，而不管有多少行。
是否需要PED与人员的比率？如果是这样的话，
df$rate Hello Elle，我希望有行人/人口，其中人口取决于州。我这里有51个州和每个州的行人值。我这里没有人口总数栏，我需要从外部来源获取，但我不知道从哪里开始@elle也许你可以从人口普查网站获取，然后做一些类似于左加入（df，Census，by=c（'State'））
。啊，我明白你的建议，但我需要左加入到每个州，由于每个都作为自己的csv进行处理，我对实现这一点的步骤感到困惑@elle您可以将它们作为循环中列表的元素读入，然后使用bind_rows（）将它们粘在一个表中，然后只需将它们左键连接一次即可。我想你指的是你的dfs，因为人口普查数据已经在一起了。但看起来您的df确实包含多个状态，因为您过滤STATE==i。。。
#Libraries
rm(list=ls()) # this is to clear anything  in memory
library(leaflet)
library(tidyverse)
library(ggmap)
library(leaflet.extras)
library(htmltools)
library(ggplot2)
library(maps)
library(mapproj)
library(mapdata)
library(zoo)
library(tsibble)

setwd("~/Desktop/Statistics790/DataSets/FARS2019NationalCSV")
df <- read.csv("accident.csv")

state <- unique(df$STATE)
for(i in state){
  df1<- df %>%
    filter(STATE==i) %>%
    dplyr::select(c(STATE,PEDS,DAY,MONTH,YEAR,TYP_INT)) %>%
    mutate(date = as.Date(as.character(paste(YEAR, MONTH, DAY, sep = "-"),"%Y-%m-%d"))) %>% # create a date
    group_by(date) %>% # Group by State id and date
    # summarise_at(.vars = vars(PEDS), sum)
    summarise(pedday=sum(PEDS),intersection=mean(TYP_INT))
#ts1<-ts(df,start=c(2019,1,1), frequency=365) 
setwd("~/Desktop/Statistics790/States_ts/figures")
plots<-df1 %>% 
    ggplot()+
    geom_line(aes(x=date,y=pedday))+ylim(0,13)+
    theme_bw()
    ggsave(paste0("state_",i,".png"),width=8,height=6, )
  ts1<-ts(df1,start=c(2019,1,1), frequency=365)
  setwd("~/Desktop/Statistics790/States_ts")
  ts1 %>% write.csv(paste0("state_",i,".csv"),row.names = F)
#Plots
}
#date1<- as.character(df$date)
#df1<- df%>% filter(STATE=="1")
#ts2<-xts(df,order.by = as.Date(df$date,"%Y-%m-%d"))
setwd("~/Desktop/Statistics790/States_ts")
cat("\f")
#df <- read.csv(paste0("state_1.csv"))
#print("------Linear Model------")
#summary(lm(pedday~weather,data=df))

for(i in state){
  print(paste0("-------------------------Analysis for State: ",i," -------------------------------"))
  df <- read.csv(paste0("state_",i,".csv"))
  print("------Linear Model------")
  print(summary(lm(pedday~intersection,data=df)))
}

pop <- read.csv('census.csv')
df <- read.csv('accidents.csv') %>% 
   left_join(pop, by = c('STATENAME' = 'Geographic Area') %>% 
   mutate(rate = (PEDS / X2019) * <scale>) %>%
   mutate(date = as.Date(as.character(paste(YEAR, MONTH, DAY, sep = "-"),"%Y-%m-%d")))