识别 phone 号码，然后匹配国家代码，然后在列中分配正确的名称

Question

我有一个数据框 "CDR"（通话详细记录），其中包含 phone 号码的前 5 位数字，还有另一个名为 "CC" 的数据框，其中包含国家代码和国家名称。

PhoneNumber <- c("52431", "44781", "N/A") #18 million rows of data
CDR <- data.frame(PhoneNumber)               
CDR

CountryCode <- c("52", "44")
CountryName <- c("Mexico", "UK")
cc <- data.frame(CountryName, CountryCode)
cc

#The output I desire
C_CountryName <- c("Mexico", "UK", "N/A")
CDR <- data.frame(PhoneNumber, C_CountryName)
CDR

我是这样想的：

x <- 1
for(x == 2)
{index of y <- cc$CountryCode where (cc$CountryCode == x) (assigns country 
code to y)
y is then matched in all rows of CDR$PhoneNumber and returns index of 
CDR$PhoneNumbers where y is a partial match of CDR$PhoneNumber.
y <- cc$CountryName where (cc$CountryName == x)
x++
}

因此，在循环结束时 x 递增，直到所有国家都匹配，然后我可以将 y 变异为 df1。

我尝试了几种组合，替换，匹配，grepl，str_detect，但我无法获得所需的输出。

希望您能指导我正确的方向。

Answer 1

运行一组 1800 万行数据的正则表达式模式将非常低效，正如其他评论者已经指出的那样，国家电话代码可以多于或少于 2 位数字，所以你'很可能运行陷入其他重大问题。话虽如此，您可以使用 apply 函数族之一通过 grep 函数族之一来运行每行数据，以匹配任意长的起始数字，如下所示。 .

PhoneNumber <- c("52431", "44781", "1512234", "21234567", "N/A")
CountryCode <- c("52", "44", "1", "212")
CountryName <- c("Mexico", "UK", "USA", "Morocco")

regex <- paste0("^", CountryCode)

matchname <- 
  sapply(PhoneNumber, USE.NAMES = FALSE, function(x) {
    matches <- sapply(regex, function(y) grepl(y, x))
    if (any(matches)) {
      CountryName[matches]
    } else {
      NA_character_
    }
  })

data.frame(PhoneNumber, matchname)
#   PhoneNumber matchname
# 1       52431    Mexico
# 2       44781        UK
# 3     1512234       USA
# 4    21234567   Morocco
# 5         N/A      <NA>

如果国家电话代码加上 phone 号码的第一位左右与另一个国家电话代码匹配，您可能运行会遇到问题，但据我所知，国家电话代码和区号通常旨在避免这种情况。

我建议首先寻找一种可靠的方法将国家/地区呼叫代码与 phone 号码分开，然后在您的国家/地区呼叫代码矢量的级别上进行精确匹配，以使其效率大大提高。

识别 phone 号码，然后匹配国家代码，然后在列中分配正确的名称

Identify phone number, then match country code and then assign correct name in a column

r

dataframe

data-cleaning

data-science