如何使用tidyr将字符串拆分至四列？正则表达式实现求助

针对你提供的数据框，我们可以使用tidyr包的extract()函数，通过正则表达式一次性将A列拆分为指定的四列（ID1、ID2、姓名、属性）。以下是具体实现：

代码实现 #

# 加载tidyr包
library(tidyr)

# 原始数据框
dat <- data.frame(
  A = c("M24656811 M24677722 GREEN,SMITH34/M/B", 
        "M24654999 DOE,JANE V37/F/W", 
        "M24333107 DOE,JOHN24/M/B")
)

# 拆分列
dat_split <- dat %>%
  extract(
    col = A,
    into = c("ID1", "ID2", "Name", "Attr"),
    regex = "^([M0-9]+)(?:\\s+([M0-9]+))?\\s+([A-Za-z,]+?)(?:\\s+)?([A-Z0-9]+/[A-Z]/[A-Z])$",
    remove = FALSE  # 可选，保留原A列便于验证
  )

# 查看结果
print(dat_split)

正则表达式说明 #

正则表达式的每个分组对应拆分后的一列：

• ^([M0-9]+)：捕获第一个以M开头的编号（ID1）
• (?:\\s+([M0-9]+))?：可选捕获第二个以M开头的编号（ID2），没有则返回NA
• ([A-Za-z,]+?)：非贪婪捕获姓名（包含字母和逗号），避免把属性部分的数字包含进来
• ([A-Z0-9]+/[A-Z]/[A-Z])：捕获属性部分（格式为「标识/性别/种族」）
• 非捕获组(?:...)用于包裹可选或辅助匹配的内容，不会生成额外列

分步拆分方案（可选） #

如果你觉得一次性正则表达式太复杂，也可以分步拆分：

# 第一步：拆分ID部分和姓名属性部分
dat_step1 <- dat %>%
  separate(A, into = c("IDs", "NameAttr"), sep = "\\s+(?=[A-Za-z,])", extra = "merge")

# 第二步：拆分ID为ID1和ID2
dat_step2 <- dat_step1 %>%
  separate(IDs, into = c("ID1", "ID2"), sep = "\\s+", fill = "right")

# 第三步：拆分姓名和属性
dat_final <- dat_step2 %>%
  extract(NameAttr, into = c("Name", "Attr"), regex = "([A-Za-z,]+?)(?:\\s+)?([A-Z0-9]+/[A-Z]/[A-Z])")

内容的提问来源于stack exchange，提问作者Lihui Zhang