拆分DataFrame中Salary列时的多字符货币符号兼容问题

我明白你遇到的痛点了——固定位置的拆分方法在面对不同长度的货币符号时完全失效，毕竟有的是单字符的₹，有的是多字符的AFN。别担心，咱们换个思路，用正则表达式匹配内容模式来解决，这比硬卡字符位置靠谱多了。

先把你的示例DataFrame放出来，方便大家参考：

sample_df <- structure(list(Company.Name = c("Ample Softech System", "Ziff Davis LLC", "IIM Kozhikkode", "Perennial", "Irupar Sociedad Cooperativa", "md", ""), 
                            Job.Title = c("Data Analyst", "Data Analyst", "Data Analyst", "Data Analyst", "Data Analyst", "Data Analyst", "Data Analyst" ), 
                            Salaries.Reported = c(1L, 1L, 1L, 1L, 1L, 1L, 1L), 
                            Location = c("Pune", "Pune", "Pune", "Pune", "Pune", "Pune", "Pune"), 
                            Salary = c("₹35,563/mo", "₹5,21,474/yr", "₹7,64,702/yr", "₹16,123/mo", "₹6,04,401/yr", "AFN 1,56,179/yr", "₹23,500/mo")), 
                       row.names = 2274:2280, class = "data.frame")

方法1：用tidyr::extract一步拆分（推荐） #

extract函数支持用正则分组来拆分列，刚好能适配你的场景。我们的正则会精准匹配三个部分：

1. 开头的字母/货币符号（不管长度）
2. 中间的数字+逗号金额
3. 结尾的周期标识（mo/yr）

代码如下：

library(tidyr)
library(dplyr)

sample_df_cleaned <- sample_df %>%
  extract(
    col = Salary,
    into = c("Currency_symbol", "Salary_amount", "Periodicity"),
    # 正则分组：字母符号 + 可选空格 + 数字金额 + / + 周期
    regex = "^([A-Za-z₹]+)\\s*([0-9,]+)/([a-z]+)$",
    remove = TRUE
  ) %>%
  # 可选：把金额转换成数值型（去掉逗号）
  mutate(Salary_amount = as.numeric(gsub(",", "", Salary_amount)))

print(sample_df_cleaned)

解释下正则的逻辑：

• ^([A-Za-z₹]+)：匹配开头的字母或₹符号（覆盖单字符和多字符货币符号）
• \\s*：匹配货币符号和金额之间的可选空格（比如AFN后面的空格）
• ([0-9,]+)：匹配数字和逗号组成的金额部分
• /([a-z]+)$：匹配/后面的小写字母周期，直到字符串结尾

方法2：用stringr逐个提取（更灵活） #

如果你想更清晰地控制每一部分的提取，可以用stringr包的函数分别捕获每一段内容：

library(stringr)
library(dplyr)

sample_df_cleaned <- sample_df %>%
  mutate(
    # 提取开头的货币符号（字母或₹）
    Currency_symbol = str_extract(Salary, "^[A-Za-z₹]+"),
    # 提取数字+逗号的金额部分
    Salary_amount = str_extract(Salary, "[0-9,]+"),
    # 提取结尾的周期标识
    Periodicity = str_extract(Salary, "[a-z]+$")
  ) %>%
  # 移除原Salary列
  select(-Salary) %>%
  # 转换金额为数值型
  mutate(Salary_amount = as.numeric(gsub(",", "", Salary_amount)))

print(sample_df_cleaned)

这两种方法都能完美处理单字符和多字符货币符号的情况，再也不用纠结固定的字符位置了！

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