Population growth was strong throughout the Middle Tennessee area during the five-year period. Davidson County added the largest number of new neighbors, increasing by 117,204 people. However, Williamson County experienced the fastest growth rate at 25%, followed by Rutherford County at 23%. Davidson County’s growth rate was almost 20% despite having the largest number of people living there.

The results reveal that growth is occurring more in surrounding counties. Several Doughnut counties, including Williamson, Rutherford, and Wilson, are some fo the most fastest-growing counties in the data set. This data shows that Davidson may have more neighbors, but there’s a higher percentage of people moving to other major counties surrounding Davidson County.

Population Growth Rates
County CurrentPop EarlierPop Region Change Percent_change
Williamson 260351 208242 Doughnut 52109 0.2502329
Rutherford 360646 292425 Doughnut 68221 0.2332940
Wilson 158805 129918 Doughnut 28887 0.2223479
Maury 107791 88738 Non-doughnut 19053 0.2147107
Davidson 715388 598184 Davidson 117204 0.1959330
Trousdale 11957 10131 Non-doughnut 1826 0.1802389
Sumner 204424 174773 Doughnut 29651 0.1696544
Macon 26240 23261 Non-doughnut 2979 0.1280684
Robertson 75539 67517 Doughnut 8022 0.1188145
Dickson 55983 51608 Non-doughnut 4375 0.0847737
Cheatham 41829 39087 Doughnut 2742 0.0701512
Cannon 14818 13958 Non-doughnut 860 0.0616134
Smith 20389 19389 Non-doughnut 1000 0.0515756
Hickman 25436 24561 Non-doughnut 875 0.0356256

Code

Here is the R code that produced the analysis. The analysis relied on data fromt he U.S. Census Bureau’s American Community Survey.

############################################################
# Step 1: Install and load required packages
############################################################
required_packages <- c("tidyverse", "knitr", "kableExtra")

for (pkg in required_packages) {
  if (!require(pkg, character.only = TRUE)) {
    install.packages(pkg)
    library(pkg, character.only = TRUE)
  }
}

############################################################
# Step 2: Create a vector containing county names
############################################################
County <- c(
  "Cannon", "Cheatham", "Davidson", "Dickson", "Hickman",
  "Macon", "Maury", "Robertson", "Rutherford", "Smith",
  "Sumner", "Trousdale", "Williamson", "Wilson"
)

############################################################
# Step 3: Create a vector containing current population data
############################################################
CurrentPop <- c(
  14818, 41829, 715388, 55983, 25436, 26240, 107791,
  75539, 360646, 20389, 204424, 11957, 260351, 158805
)

############################################################
# Step 4: Create a vector containing earlier population data
############################################################
EarlierPop <- c(
  13958, 39087, 598184, 51608, 24561, 23261, 88738,
  67517, 292425, 19389, 174773, 10131, 208242, 129918
)

############################################################
# Step 5: Create a vector identifying each county's region
############################################################
Region <- c(
  "Non-doughnut", "Doughnut", "Davidson", "Non-doughnut",
  "Non-doughnut", "Non-doughnut", "Non-doughnut",
  "Doughnut", "Doughnut", "Non-doughnut", "Doughnut",
  "Non-doughnut", "Doughnut", "Doughnut"
)

############################################################
# Step 6: Combine all vectors into a population data frame
############################################################
Population <- data.frame(
  County,
  CurrentPop,
  EarlierPop,
  Region
)

############################################################
# Step 7: Display the original population data frame
############################################################
Population

############################################################
# Step 8: Sort the population data frame by current
# population in descending order
############################################################
Population <- Population %>%
  arrange(desc(CurrentPop))

############################################################
# Step 9: Display the sorted population data frame
############################################################
Population

############################################################
# Step 10: Add a Change variable showing population growth
############################################################
Population <- Population %>%
  mutate(Change = CurrentPop - EarlierPop)

############################################################
# Step 11: Display the updated data frame with Change
############################################################
Population

############################################################
# Step 12: Create a data frame containing only County
# and Change, sorted by Change in descending order
############################################################
Change_only <- Population %>%
  select(County, Change) %>%
  arrange(desc(Change))

############################################################
# Step 13: Display the Change_only data frame
############################################################
Change_only

############################################################
# Step 14: Create a Doughnut data frame containing only
# Davidson and Doughnut region counties, sorted by Change
############################################################
Doughnut <- Population %>%
  filter(Region == "Davidson" | Region == "Doughnut") %>%
  arrange(desc(Change))

############################################################
# Step 15: Display the Doughnut data frame
############################################################
Doughnut

############################################################
# Step 16: Create a Summary data frame that totals
# populations and population change by region
############################################################
Summary <- Population %>%
  group_by(Region) %>%
  summarize(
    CurrentPop = sum(CurrentPop),
    EarlierPop = sum(EarlierPop),
    Change = sum(Change)
  )

############################################################
# Step 17: Display the Summary data frame
############################################################
Summary

############################################################
# Step 18: Copy the Population data frame to a new
# data frame named Population_v2
############################################################
Population_v2 <- Population

############################################################
# Step 19: Create a Percent_change variable that measures
# population growth relative to earlier population
############################################################
Population_v2 <- Population_v2 %>%
  mutate(Percent_change = Change / EarlierPop)

############################################################
# Step 20: Sort Population_v2 by Percent_change in
# descending order
############################################################
Population_v2 <- Population_v2 %>%
  arrange(desc(Percent_change))

############################################################
# Step 21: Display the Population_v2 data frame
############################################################
Population_v2

############################################################
# Step 22: Create and display a formatted table for
# the Population data frame
############################################################
Population_tbl <- Population %>%
  kbl(caption = "Population Data") %>%
  kable_styling(full_width = FALSE)

Population_tbl

############################################################
# Step 23: Create and display a formatted table for
# the Change_only data frame
############################################################
Change_only_tbl <- Change_only %>%
  kbl(caption = "County Population Change") %>%
  kable_styling(full_width = FALSE)

Change_only_tbl

############################################################
# Step 24: Create and display a formatted table for
# the Doughnut data frame
############################################################
Doughnut_tbl <- Doughnut %>%
  kbl(caption = "Davidson and Doughnut Counties") %>%
  kable_styling(full_width = FALSE)

Doughnut_tbl

############################################################
# Step 25: Create and display a formatted table for
# the Summary data frame
############################################################
Summary_tbl <- Summary %>%
  kbl(caption = "Population Summary by Region") %>%
  kable_styling(full_width = FALSE)

Summary_tbl

############################################################
# Step 26: Create and display a formatted table for
# the Population_v2 data frame
############################################################
Population_v2_tbl <- Population_v2 %>%
  kbl(caption = "Population Growth Rates") %>%
  kable_styling(full_width = FALSE)

Population_v2_tbl