对于第二个问题（一定半径内其他商店的数量），可以使用前面提到的geodist函数，然后进行一些数据管理来获得结果。
下面的命令将在一个包含五个商店的小数据集上工作。它包含带有纬度和经度坐标的商店ID。

n.stores <- 5
set.seed(1234)
stores <- cbind(sort(sample(1:10, n.stores)), 
                runif (n.stores, -0.1, 0.1), 
                runif (n.stores, -0.1, 0.1)); stores

colnames(stores) <- c("store_id", "lat", "long")
stores
#      store_id          lat        long
# [1,]        1  0.033216752  0.08468670
# [2,]        4  0.002850228 -0.04153683
# [3,]        5  0.038718258  0.06745913
# [4,]        6  0.008994967 -0.04275534
# [5,]       10 -0.043453283 -0.04663584

现在计算每个商店和其他商店之间的距离，包括它自己。

d <- geodist (stores[,2:3]) # A 5-by-5 matrix
d
#           [,1]       [,2]      [,3]       [,4]      [,5]
# [1,]     0.000 14427.8245  2009.804 14416.5478 16899.483
# [2,] 14427.825     0.0000 12752.057   696.1801  5176.953
# [3,]  2009.804 12752.0567     0.000 12686.0604 15625.871
# [4,] 14416.548   696.1801 12686.060     0.0000  5844.660
# [5,] 16899.483  5176.9527 15625.871  5844.6603     0.000

距离以米为单位。将此矩阵转换为数据框以便于下一步。

df <- as.data.frame(d)
colnames(df) <- stores[,'store_id']
df$store_A <- as.numeric(colnames(df))
#           1          4         5          6        10 store_A
# 1     0.000 14427.8245  2009.804 14416.5478 16899.483       1
# 2 14427.825     0.0000 12752.057   696.1801  5176.953       4
# 3  2009.804 12752.0567     0.000 12686.0604 15625.871       5
# 4 14416.548   696.1801 12686.060     0.0000  5844.660       6
# 5 16899.483  5176.9527 15625.871  5844.6603     0.000      10

然后，你可以将其转换为长格式，列出或计算出彼此相距一定距离（比如10公里）内的商店数量。

library(tidyr)
library(dplyr)

df.long <- pivot_longer(df, -store_A, 
                        names_to="store_B", 
                        values_to="distance", 
                        names_transform=as.numeric) %>%
  filter(store_A != store_B) # omit self-references

df.long
# A tibble: 10 × 3
#   store_A store_B distance
#     <dbl>   <dbl>    <dbl>
# 1       1       4   14428.
# 2       1       5    2010.
# 3       1       6   14417.
# 4       1      10   16899.
# 5       4       1   14428.
# 6       4       5   12752.
# 7       4       6     696.
# 8       4      10    5177.
# 9       5       1    2010.
#10       5       4   12752.
#11       5       6   12686.
#12       5      10   15626.
#13       6       1   14417.
#14       6       4     696.
#15       6       5   12686.
#16       6      10    5845.
#17      10       1   16899.
#18      10       4    5177.
#19      10       5   15626.
#20      10       6    5845.

现在团体也算了。

group_by(df.long, store_A) %>%
  filter(distance<10000) %>%
  print() %>%
  summarise(n=n())

# A tibble: 8 × 3
# Groups:   store_A [4]
#   store_A store_B distance
#     <dbl>   <dbl>    <dbl>
# 1       1       5    2010.
# 2       4       6     696.
# 3       4      10    5177.
# 4       5       1    2010.
# 5       6       4     696.
# 6       6      10    5845.
# 7      10       4    5177.
# 8      10       6    5845.

# A tibble: 5 × 2
#   store_A     n
#     <dbl> <int>
# 1       1     1
# 2       4     2
# 3       5     1
# 4       6     2
# 5      10     2

因此，商店“1”在10公里内有1家商店，商店“4”有2家，商店“5”有1家，商店“6”和“10”各有2家。