Pandas如何通过手机号前缀子串匹配对比两个DataFrame纠正国家名称

核心匹配规则：优先取csv_df中长度最长的、可作为small_df前缀开头的映射记录，获取对应正确国家名。 #

前置预处理 #

首先统一两个表的前缀格式，避免数值类型匹配误差：

import pandas as pd
# 把两个表的prefix统一转为字符串格式
csv_df['prefix_str'] = csv_df['prefix'].astype(str)
small_df['prefix_str'] = small_df['prefix'].astype(str)

方案1：排序优先匹配法（适用于csv_df前缀量小于1万的场景） #

将csv_df按前缀长度降序排序，匹配时第一个命中的就是最长前缀，逻辑简单易实现：

# csv_df按前缀长度降序排序，保证长前缀优先匹配
csv_df_sorted = csv_df.sort_values(by='prefix_str', key=lambda x: x.str.len(), ascending=False)

# 匹配函数：找第一个符合startswith规则的国家名
def match_country(target_prefix):
    for p, c in zip(csv_df_sorted['prefix_str'], csv_df_sorted['country']):
        if target_prefix.startswith(p):
            return c
    # 无匹配时可自定义返回值，比如返回原错误国家名
    return None

# 生成正确国家名列替换原列
small_df['country'] = small_df['prefix_str'].apply(match_country)
# 清理辅助列
small_df = small_df.drop(columns='prefix_str')

方案2：前缀树（Trie）匹配法（适用于csv_df前缀量大于1万的大数据场景） #

前缀树查询时间仅和手机号长度相关，性能远高于遍历匹配：

# 前缀树节点定义
class TrieNode:
    __slots__ = ('children', 'country')
    def __init__(self):
        self.children = {}
        self.country = None

# 1. 构建前缀树
root = TrieNode()
for prefix, country in zip(csv_df['prefix_str'], csv_df['country']):
    node = root
    for digit in prefix:
        if digit not in node.children:
            node.children[digit] = TrieNode()
        node = node.children[digit]
    # 前缀结束节点存储对应国家名
    node.country = country

# 2. 前缀查询函数：返回最长匹配的国家名
def query_longest_prefix(target_prefix):
    node = root
    latest_country = None
    for digit in target_prefix:
        if digit not in node.children:
            break
        node = node.children[digit]
        if node.country is not None:
            latest_country = node.country
    return latest_country

# 3. 批量匹配替换
small_df['country'] = small_df['prefix_str'].apply(query_longest_prefix)
# 清理辅助列
small_df = small_df.drop(columns='prefix_str')

两种方案都可以直接得到你给出的预期输出结果，可根据自己的数据规模选择。

内容的提问来源于stack exchange，提问作者Sinceris