在R语言中从城市名提取国家名：30万+行数据的性能优化问题

兄弟，30万行数据用循环+grepl确实会慢到让人抓狂，毕竟循环在R里处理大数据集天生就不占优势。我之前处理过类似的百万级数据集，给你几个亲测有效的高效思路：

1. 用向量化匹配彻底替代循环 #

循环慢的核心原因是逐行处理，换成向量化函数能直接把运算压到底层，速度提升N倍：

• 先准备一个完整的国家名称列表（一定要包含常见变体，比如"USA"和"United States"，避免漏匹配），嫌自己整理麻烦的话，直接用countrycode包自带的权威列表：

  library(countrycode)
  # 包含正式国名、常用别名的综合列表
  country_list <- c(codelist$country.name.en, codelist$iso.name.en, codelist$country.name.en.regex)
  

• 用stringr包的str_extract()做向量化匹配，这里要记得把国家名按长度从长到短排序，避免把"United States"误提取成"States"：

  library(stringr)
  # 按长度降序排序，优先匹配长名称
  sorted_countries <- sort(country_list, decreasing = TRUE, by = nchar)
  # 一次性完成所有行的匹配
  df$country <- str_extract(df$org_loc, paste(sorted_countries, collapse = "|"))
  

2. 用data.table再提速一个档次 #

如果数据量已经到30万级，把data.frame转成data.table处理会更高效，它的底层优化能进一步减少运算时间：

library(data.table)
library(stringr)
library(countrycode)

# 转成data.table格式
dt <- as.data.table(df)
# 生成排序后的国家列表
sorted_countries <- sort(c(codelist$country.name.en, codelist$iso.name.en), decreasing = TRUE, by = nchar)
# 批量新增提取后的国家列
dt[, country := str_extract(org_loc, paste(sorted_countries, collapse = "|"))]

3. 预处理数据减少匹配压力 #

提前做一些文本清洗，能让匹配更快更准：

• 统一文本大小写：避免因为"zimbabwe"和"Zimbabwe"导致的匹配失败，先把所有内容转成小写（或大写）：

  dt[, org_loc := tolower(org_loc)]
  sorted_countries <- tolower(sorted_countries)
  

• 过滤无效短字符：比如先把长度小于3的字符串过滤掉，减少不必要的匹配运算。

踩过的小坑提醒 #

• 如果同一行里有多个国家名，用str_extract_all()可以提取所有匹配项，再根据需求筛选（比如取最后一个，或出现频率最高的）。
• 有些机构位置会用缩写，比如"CH"对应"Switzerland"，可以用countrycode包的转换函数补全全称：

  dt[, country := countrycode(country, origin = "iso2c", destination = "country.name.en")]
  

内容的提问来源于stack exchange，提问作者girijesh96