R语言如何批量匹配两数据框ID列的部分数值

前置准备 #

首先务必将两个表中的ID列统一转换为字符型，避免长数值精度丢失导致匹配失败：

# 示例数据初始化
df1 <- data.frame(
  Product = paste0("Prod", 1:5),
  new_ID = as.character(c(129000007, 7432309490, 1708289014, 4741602975, 906485301012)),
  stringsAsFactors = FALSE
)

df2 <- data.frame(
  Brand = paste0("Brand", 1:5),
  old_ID = as.character(c(13554998333, 17432309490, 14300012960, 14741602975, 2710420383988)),
  stringsAsFactors = FALSE
)

方案1：单次正则批量匹配（十万行级数据首选，代码最简洁） #

不需要逐值循环调用grepl，可以将所有new_ID拼接为或匹配模式，仅需一次正则扫描即可完成全量匹配，效率比循环高1~2个数量级：

library(stringr)

# 拼接所有待匹配new_ID为OR模式，用fixed匹配关闭正则解析进一步提速
match_pattern <- paste(df1$new_ID, collapse = "|")

# 提取df2中匹配到的行，同时关联上df1对应的产品信息
df2$matched_new_id <- str_extract(df2$old_ID, match_pattern)
matched_result <- merge(df2, df1, by.x = "matched_new_id", by.y = "new_ID", all.x = FALSE)

运行后可以直接得到匹配结果：

• Brand2匹配Prod2
• Brand4匹配Prod4
  和给出的业务示例完全一致。

方案2：模糊连接匹配（百万行级数据首选，鲁棒性更强） #

如果数据量更大，或者需要加入自定义匹配规则避免误匹配，可以使用fuzzyjoin包实现两表模糊连接，同时可以叠加长度校验规则，完全匹配描述的ID差异逻辑（old_ID比new_ID长1位/2位，new_ID是old_ID去掉首尾若干位的子串）：

# 首次使用请先安装：install.packages("fuzzyjoin")
library(fuzzyjoin)

matched_result <- fuzzy_inner_join(
  x = df2,
  y = df1,
  by = c(old_ID = "new_ID"),
  # 同时满足两个匹配条件才判定为对应产品
  match_fun = list(
    # 条件1：new_ID是old_ID的固定子串
    function(old_id, new_id) str_detect(old_id, fixed(new_id)),
    # 条件2：两个ID长度差为1或2，对应多1位前导/后缀、首尾各多1位的场景，避免短ID误匹配
    function(old_id, new_id) nchar(old_id) - nchar(new_id) %in% c(1, 2)
  )
)

这个方案不需要提前拼接正则，会自动按规则完成两表关联，大数据量下性能比正则方案更稳定，同时规则可灵活调整。

常见踩坑提示 #

• 禁止将长ID存储为数值型：R中数值型变量最多保留15~17位有效数字，超过长度的ID会被自动四舍五入，直接导致匹配失效。
• 如果后续ID规则新增了其他长度差场景，只需要修改长度校验的判断逻辑即可，不需要调整核心匹配框架。

内容的提问来源于stack exchange，提问作者Rnovice