R语言中通话数据框的号码与时间模糊匹配问题排查

需求说明 #

需匹配客户侧与供应商侧两份通话记录，匹配规则：

• 主叫号码（ANUM）、被叫号码（BNUM）完全一致
• 通话起始时间（SECONDS）的绝对值偏差不超过指定阈值（如5秒）
  最终输出4份文件：

1. 匹配成功的客户侧记录（保留原列）
2. 匹配成功的供应商侧记录（与文件1维度一致，用于时长对比）
3. 客户侧独有的通话记录
4. 供应商侧独有的通话记录

原代码问题分析 #

原代码存在以下核心问题导致匹配结果维度不一致：

1. 仅单向偏移时间（仅将供应商侧SECONDS加i），未考虑客户侧时间更大的情况
2. 使用semi_join仅提取单侧匹配记录，无法建立客户与供应商记录的一一对应关系
3. 循环匹配逻辑会导致重复匹配同一记录，最终两边匹配集无对应关联

修复后的代码 #

library(readxl)
library(dplyr)
library(writexl)

# 读取数据
datavendor <- read_excel("CDRS_VENDOR_1MARCH.xlsx")
dataclient <- read_excel("CDRS_CLIENT_1MARCH.xlsx")

# 类型转换：确保关键字段类型一致，同时添加唯一标识用于关联
dataclient <- dataclient %>%
  mutate(
    ANUM = as.numeric(ANUM),
    BNUM = as.numeric(BNUM),
    SECONDS = as.numeric(SECONDS),
    client_id = row_number()
  )

datavendor <- datavendor %>%
  mutate(
    ANUM = as.numeric(ANUM),
    BNUM = as.numeric(BNUM),
    SECONDS = as.numeric(SECONDS),
    vendor_id = row_number()
  )

# 定义时间偏差阈值
max_time_offset <- 5

# 生成所有符合规则的匹配对：ANUM/BNUM一致，时间差绝对值≤阈值
matched_pairs <- dataclient %>%
  inner_join(datavendor, by = c("ANUM", "BNUM"), suffix = c("_client", "_vendor")) %>%
  mutate(time_diff = abs(SECONDS_client - SECONDS_vendor)) %>%
  filter(time_diff <= max_time_offset) %>%
  # 处理一对多/多对一情况：保留时间差最小的唯一匹配
  group_by(client_id) %>%
  slice_min(time_diff, n = 1, with_ties = FALSE) %>%
  ungroup() %>%
  group_by(vendor_id) %>%
  slice_min(time_diff, n = 1, with_ties = FALSE) %>%
  ungroup()

# 提取匹配成功的记录
okclient <- dataclient %>%
  filter(client_id %in% matched_pairs$client_id) %>%
  select(-client_id)

okvendor <- datavendor %>%
  filter(vendor_id %in% matched_pairs$vendor_id) %>%
  select(-vendor_id)

# 提取未匹配的记录
unmatched_client <- dataclient %>%
  filter(!client_id %in% matched_pairs$client_id) %>%
  select(-client_id)

unmatched_vendor <- datavendor %>%
  filter(!vendor_id %in% matched_pairs$vendor_id) %>%
  select(-vendor_id)

# 写入文件
write_xlsx(okclient, "/Users/Downloads/Matched_client.xlsx")
write_xlsx(okvendor, "/Users/Downloads/Matched_vendor.xlsx")
write_xlsx(unmatched_client, "/Users/Downloads/Unmatched_client.xlsx")
write_xlsx(unmatched_vendor, "/Users/Downloads/Unmatched_vendor.xlsx")

关键修复点说明 #

1. 添加唯一标识：给两份数据分别添加client_id和vendor_id，确保能精准关联匹配的记录
2. 双向时间差过滤：通过计算两边SECONDS的绝对值偏差，覆盖所有时间偏差方向的情况
3. 去重处理：用slice_min确保一条记录仅匹配一条最接近的对应记录，避免重复匹配导致维度不一致
4. 精准提取匹配记录：通过唯一标识筛选，确保okclient和okvendor的记录是一一对应的，维度完全一致

数据样例注意事项 #

从提供的样例数据来看，客户侧的SECONDS（如3244）与供应商侧的SECONDS（如37）数值差异极大，需确认SECONDS是否包含日期维度（多日分析时需将日期转换为秒数加入计算），否则会导致匹配逻辑失效。

内容的提问来源于stack exchange，提问作者CLARA