R语言如何基于城市名与人口为数据集添加对应国家名称列

针对十万到百万级以上的大型数据集，核心原则是避免逐行判断，用标准化的表关联逻辑做匹配，速度快、内存占用低，后续维护映射规则也方便。 #

前期准备 #

首先准备两份数据：

• 你的原始城市数据集：注意提前把population字段从带逗号的字符串转成数值型，方便后续做重名校验，转换参考代码：

  # 把"500,000"这类带逗号的字符串转成数值500000
  your_df$population <- as.numeric(gsub(",", "", your_df$population))
  

• 城市-国家映射基准表：至少包含city（城市名）、country（对应国家）两个字段，如果存在同名城市，加上population字段做精准匹配。
  不想手动整理全量映射的话，可以直接用maps包内置的全球城市数据集当基础库，覆盖绝大多数主流城市：

  library(maps)
  data(world.cities)
  # 提取需要的字段整理成标准映射表
  city_map <- data.frame(
    city = world.cities$name,
    population = world.cities$pop,
    country = world.cities$country.etc
  )
  

  内置库没覆盖的小众城市，手动补到映射表里就行，一劳永逸。

大表最优匹配方案（优先选） #

用data.table做关联匹配，是目前R语言里处理GB级大表速度最快、内存开销最小的方案，比基础R的匹配逻辑快几十倍，比常规tidyverse方案快3-10倍。

library(data.table)
# 把原始数据和映射表都转成data.table格式（用fread读入的数据默认就是这个格式，不用重复转换）
setDT(your_df)
setDT(city_map)

# 单字段匹配（无重名城市场景）
your_df[city_map, on = .(city), country := i.country]

# 城市+人口双字段精准匹配（有重名城市场景，匹配准确率更高）
# your_df[city_map, on = .(city, population), country := i.country]

运行完直接在原始表上新增country列，没有多余的内存拷贝，大表下跑起来基本秒出结果。 #

可读性优先方案 #

如果你更习惯tidyverse的代码风格，千万行级以内的表用dplyr的左连接也完全够用：

library(dplyr)
result_df <- your_df %>%
  # 单字段匹配就写by = "city"
  left_join(city_map, by = c("city", "population"))

大表避坑提示 #

• 别用case_when、ifelse逐行硬写城市和国家的对应关系，城市量超过100个之后代码会极难维护，匹配速度会断崖式下跌，大表下容易卡崩。
• 匹配前统一清洗城市名字段：用trimws()去掉首尾空格、统一大小写、替换特殊字符，避免因为"Oslo "（末尾带空格）和"Oslo"格式不一致导致匹配失败。
• 匹配完之后用sum(is.na(your_df$country))统计未匹配成功的行数，把这部分城市补到映射表之后重跑即可，不用全量重复计算。
• 大文件读写优先用data.table的fread()/fwrite()，比基础的read.csv()、write.csv()快10倍以上，内存占用低一半以上。

内容的提问来源于stack exchange，提问作者user18723720