我有一个数据框“CDR”(呼叫详细记录),电话号码的前5位数字和另一个名为“CC”的数据框,包含国家代码和国家/地区名称。
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
我这样想过:
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变为df1。
我已尝试过几种组合尝试,替换,匹配,grepl,str_detect,但我无法获得所需的输出。
我希望你能引导我朝着正确的方向前进。
在1800万行数据上运行一组正则表达式模式将是非常低效的,并且正如其他评论者已经指出的那样,国家/地区的呼叫代码可能多于或少于2位,因此您可能会遇到其他重大问题。话虽这么说,您可以使用apply
系列函数之一通过grep
函数系列之一运行每一行数据,以匹配任意长的开头数字,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>
如果一个国家/地区呼叫代码加上电话号码的第一个数字与另一个国家/地区的呼叫代码匹配,则可能会遇到问题,但据我所知,国家/地区呼叫代码和区号通常是为了避免这种情况而设计的。
我建议先寻找一种强有力的方法,将国家/地区的国家/地区呼叫代码与您的电话号码分开,然后根据您所在国家/地区的级别调整代码矢量进行精确匹配,以提高其效率。