# cellinfo → sector 逆推调研笔记

> 目标：用 `celldata.cellinfo`（自动处理、有数据源）逆推出 `celldata.sector`（人工据 cellinfo 整理）。
> 现有 sector 作为基准/参考。逆推时**不清空** sector：仅补充缺失 CGI，已有的保留（避免人工纠正被自动运行冲掉）。
> 脚本与特征库写入 `CellData.sql`。本文件记录字段映射、规则、每轮测试的优化点与准确率。

## 一、两表结构（celldata）

cellinfo（数据源，66778 行）：`CGI, eNodeBID, CellID, PLMN, 基站名称, 小区名称, 频点, 带宽, 制式, 功率, 网络`
sector（目标，66969 行）：`CGI, 扇区, 物理站, 制式, 频段, 带宽, 站型, 网络`（原 `区域` 列已删除：全项目无引用，最终不使用）

连接键：`CGI`。sector 比 cellinfo 多 ~191 行（历史/其他来源），逆推以 cellinfo 为准。

## 二、字段来源结论

| sector 字段 | 来源 | 说明 |
|---|---|---|
| CGI | 复制 cellinfo.CGI | 连接键 |
| 网络 | 复制 cellinfo.网络 | 4G / 5G |
| 带宽 | 复制 cellinfo.带宽 | cellinfo 已规范化为如 `20M` |
| ~~区域~~ | **已删除该列** | 全项目无引用，已 `ALTER TABLE sector DROP COLUMN 区域` |
| 制式 + 频段 | 频点 + PLMN 推导（特征表） | 见三 |
| 站型 | 名称关键字 + 设备码推导 | 见四 |
| 物理站 | 小区名称解析 | 见五 |
| 扇区 | 物理站 + 扇区号 | 扇区号见五 |

## 三、频点 → 制式 / 频段（特征库核心）

cellinfo.制式 已给出粗类（FDD/TDD/700M/2.6G），频段再按频点细分；个别需 PLMN 区分：

| 网络 | 频点范围 | PLMN | 制式 | 频段 | 实测样本 |
|---|---|---|---|---|---|
| 5G | ≥4000 | 任意 | 4.9G | 4.9G | 4827.36、4919.52 |
| 5G | 700–800 | 460-00 | 700M | 700M | 763.25（移动）9808 |
| 5G | 700–800 | 460-15 | 广电 | 广电 | 763.25（广电）9802 |
| 5G | 2000–3000 | 任意 | 2.6G | 2.6G | 2524.95 等 |
| 4G | 900–1000 | 任意 | FDD | FDD900 | 939.0 |
| 4G | 1000–1880 | 任意 | FDD | FDD1800 | 1810–1827 |
| 4G | 1880–1920 | 任意 | TDD | F频 | 1895.0、1909.4 |
| 4G | 1920–2110 | 任意 | TDD | A频 | 2017.5 |
| 4G | 2300–2400 | 任意 | TDD | E频 | 2330、2349.8、2364.6 |
| 4G | 2400–2700 | 任意 | TDD | D频 | 2624.6 等 |

**关键歧义**
1. **700M vs 广电**：同频点 763.25，由 **PLMN** 区分（460-00=移动 700M，460-15=中国广电）。✅ 可完美区分。
2. **D频 vs 3DMM**：**cellinfo 完全没有 3DMM 标注**——`cellinfo.制式` 仅 4 值 `700M/TDD/FDD/2.6G`；sector 中标 3DMM 的 1400 个小区在 cellinfo 里**全部是 `TDD`(4G)**。3DMM 是 3D-MIMO 天线属性，人工额外打在 sector 上，源表不可还原。
   - **分类策略（已采纳用户规则）**：3DMM 按频点对应的"非 3DMM 实际制式"分类——这些频点(2624.6 等 2.6GHz)的非 3DMM 小区都是 `TDD/D频`，而 FDD 仅在 900/1800，频点不重叠。故脚本对这 1400 个判 `TDD/D频` 即正确（与"3DMM 用 TDD 制式规则"一致）。
   - 因此"制式 97.88%"是对照 sector 人工 3DMM 标签的数字，**按制式规则 TDD 才是正确分类，制式实际正确率≈100%**。现有 sector 的 3DMM 因「不覆盖已有行」保留不变。

## 四、站型规则（实测覆盖度）

| 站型 | 规则 | 命中 | 总数 | 备注 |
|---|---|---|---|---|
| 室分 | 小区名设备码尾 `Z[A-Z]W`（如 ZLW/ZRW/ZFW，末字母 W） | 10146 | 10168 | 99.8% |
| 微站 | 小区名含「微小」（如 (微小M)/(微小I)） | 1086 | 1086 | 100% |
| 宏站 | 其余（设备码尾 H，如 Z5H/ZLH/ZFH，且无微小） | — | 54747 | 仅 18 行宏站名含微小（误差≈0.03%） |

判定顺序：室分(W 码) → 微站(微小) → 宏站。W 码与微小在数据中互斥。

## 五、物理站 / 扇区解析

预处理（仅为解析可靠）：全角 `（）【】`→半角 `()[]`、去空格。

**设备码**（位于小区名尾部）：`<频率前缀>-Z<x><尾字母>-<扇区号>`，正则 `[A-Z0-9]+-Z[A-Z0-9]{2}-[0-9]+$`。
- 频率前缀：U / E / D / F / DC / RD / RDC 等；尾字母 H=室外(宏/微)、W=室分。
- 例：`U-Z5H-0711`、`E-ZLW-8`、`D-ZRH-103`、`F-ZLH-3`、`RDC-ZFH-2`。

**扇区号**（取小区名尾部数字串）：
- 700M/广电（Z5H 码）：取**末位数字**。`0711`→1、`0712`→2、`0713`→3、`30712`→2。
- 其余：取数字串 **% 100**。`-3`→3、`-103`→3、`-113`→13、`-203`→3、`-16`→16。

**物理站**：
- **非 700M**：= 小区名去设备码后，删除所有括号/方括号内容，但**保留 `(微小X)`**。
  - 例 `江门台山河东家禽(从…搬迁)(微小M)(共…F-ZLH)F-ZLH-2` → `江门台山河东家禽(微小M)`。
  - 例 `江门鹤山坚美园52至53栋(共…E-ZLW)E-ZLW-8` → `江门鹤山坚美园52至53栋`。
- **700M/广电**：名称结构 `CBN-<枢纽>(<真实站址>)<码>` 或 `CBN-<站址><码>`。
  - 去码后取**最后一个括号内容**作为物理站；若该内容**以「共」开头**（共建标注，如 `(共…E-ZLW)`）则改取**括号前的外层**（去 `CBN-` 前缀）；无括号则取外层去 `CBN-`。
  - 取到的内容再删除其内部子括号（如 `(搬迁)(重建)`）。
  - 注意：`共和` 等地名（括号内容以「江门」开头、共字在中间）**不算共建**，仍取内层。
  - 例 `CBN-江门新会圭阳路(江门新会雍翠峰(搬迁))U-Z5H-0712` → `江门新会雍翠峰`。
  - 例 `CBN-江门台山通济公园U-Z5H-0713` → `江门台山通济公园`。
  - 例 `CBN-江门鹤山铸德(江门鹤山共和鸿江工业区)U-Z5H-0712` → `江门鹤山共和鸿江工业区`。

**扇区** = 物理站 + 扇区号（如 `江门新会五和农村二` + `1` = `江门新会五和农村二1`）。

> 括号宽度：现有 sector 的 `(微小X)` 用全角 `（）`。逆推统一转半角输出；对比准确率时两侧都做括号归一化，衡量语义正确性而非宽度。

## 六、测试与准确率（逐轮更新）

测试方法：在 celldata 建 `sector_band_ref` 特征表 + `_sector_infer` 暂存表逐字段推导，
JOIN 现有 `sector`（重叠 CGI **n=66001**）逐字段比对；物理站/扇区比对时两侧做括号+空白归一化。

### Round 1（基础规则）
| 字段 | 准确率 |
|---|---|
| 网络 | 100%（66001）|
| 带宽 | 99.75%（65838）|
| 制式 | 97.88%（64601）|
| 频段 | 97.60%（64417）|
| 站型 | 99.94%（65963）|
| 物理站 | 99.12%（65419）|
| 扇区 | 98.72%（65159）|

失配定位：
- 制式失配 **100% 是 TDD↔3DMM**（1400）——同频/同 PLMN/同带宽/功率重叠，不可还原。
- 频段失配 = 3DMM(1400) + F频↔A频(162，1895/1909 同频人工分档) + E频↔D频(22)。
- 带宽失配主要 cellinfo=20M 而人工=15M（155，源数据人工修正）。
- 站型失配 38：20 个室分码为 `Z[A-Z]R`（如 E-ZLR，高铁 SM 站）未被 W 规则覆盖；18 个宏站名含"微小"被误判微站。
- 物理站/扇区失配：700M 多括号/不闭合、非 700M 共建/拉远不闭合括号。

### Round 2（物理站 v2/v3：按关键字保留限定括号）——失败回退
尝试只删"共/从/拉远/搬迁…"备注括号、保留 `(龙山路)(红线内)(1)`，物理站反降到 ~98.2%。
原因：① 末尾 `[)]+$` 误删了 `(微小M)` 等合法括号的右括号；② 大量无备注关键字的别名括号本应删除却被保留，净损失。结论：**"删全部括号+回贴微小"才是最优主策略**。

### Round 3（v4：删全部括号 + 悬空清理 + 700M 取"(江门"内容）——定稿
- 非 700M：去码 → 删全部成对括号(3 轮) → 删悬空开括号 `\([^()]*$` → 删孤立 `)` → 回贴 `(微小X)`。
- 700M/广电：取 `(江门…` 括号内容；无则取外层去 `CBN-`（"共"开头自然落外层）。
- 扇区号：700M 末位；其余 %100。

| 字段 | 准确率 | 说明 |
|---|---|---|
| 网络 | 100% | 复制 |
| 制式 | 97.88%（排除 3DMM 即 **100%**）| 仅差不可还原的 3DMM |
| 频段 | 97.60% | 差额=3DMM+同频 F/A、E/D 人工分档 |
| 带宽 | 99.75% | 差额为人工把 20M 改 15M |
| 站型 | 99.94% | |
| 物理站 | **99.59%**（65728）| |
| 扇区 | **99.20%**（65470）| |

剩余残差为**不可还原的人工差异**，不再继续拟合（避免过拟合）：
- 室分多载波编号不一致：`E-ZLW-12→2`、`-111→1`、`-115→5`（末位）与 `-16→16`（%100）并存；脚本按用户既定 %100。
- 700M 个别人工编号：`0713→1`、`0712→4`、`0712→空`，与名义 071N→N 规则冲突。
- 物理站个别含区域前缀（`柏怡酒店`↔`江海柏怡酒店`）、保留 `(龙山路)/(1)` 等；真实数据存在尾随制表符。
- 因"不覆盖已有行"，上述人工值在自动运行中均被保留，不受影响。

### 落库策略
仅 `INSERT` sector 中缺失的 CGI（本次快照 **921 条**），已有 CGI 一律保留。区域留空。

### 复现实测命令（celldata）
按 `CellData.sql` 顺序执行即可；准确率核验 SQL：
`SELECT 物理站/扇区 归一化后 = sector 对应值 的占比 FROM _sector_infer JOIN sector USING(CGI)`。