R中readr::parse_number()处理非字母数字字符串的不一致行为问询

在使用readr::parse_number()处理带前缀的字符列时，部分行返回NA，部分行能正常提取数字。以下是可复现示例：

library(tidyverse)

df <- structure(list(col1 = c("6980265", 
                               "x (6969100)", 
                               "1,234.56", 
                               "euro1,000",
                               "x. (6969100) ", 
                               "x (6969943)", 
                               "x y.  (6977416)", 
                               "x-y  (6923012) ")), 
               class = c("tbl_df", "tbl", "data.frame"), 
               row.names = c(NA, -8L))

# 直接使用parse_number()
df2 <- df |>
  mutate(col2 = parse_number(col1, trim_ws = TRUE))

df2

运行后第5、7、8行的col2会返回NA，而其他行可正确提取数字。清理非字母数字字符后可正常提取：

df |>
  mutate(col1 = str_replace_all(col1, "[^[:alnum:] ]", "")) |>
  mutate(col2 = parse_number(col1, trim_ws = TRUE))

原因分析 #

readr::parse_number()的工作逻辑是从字符串起始位置开始扫描，跳过字母、空格，但会识别数字相关的符号（如.、-）作为数字的一部分。当扫描到这些符号但后续没有紧跟有效数字时，函数会判定当前无有效数字，直接返回NA：

• 第5行x. (6969100) ：x之后的.被当作小数点，但后面是空格和括号，没有数字，扫描终止，返回NA
• 第7行x y. (6977416)：y之后的.同样被识别为小数点，后续无数字，返回NA
• 第8行x-y (6923012) ：x之后的-被当作负号，后面是字母y而非数字，扫描终止，返回NA

而像x (6969100)、euro1,000这类字符串，前缀是纯字母，会被直接跳过，后续的数字能被正常识别提取。

解决方法 #

除了先清理非字母数字字符的方式，还可以直接用正则提取数字部分，再转换为数值：

df |>
  mutate(col2 = str_extract(col1, "\\d[\\d,\\.]*") |> parse_number())

这个方法通过正则\\d[\\d,\\.]*直接定位字符串中的数字序列（包含逗号和小数点），再用parse_number()转换，避免了前缀符号导致的扫描终止问题。

内容的提问来源于stack exchange，提问作者TarJae