使用extract拆分地址字符串时如何避免NA并保留有效值？

输入数据 #

street              housenumber
wallstreet 17-20    NULL
wafflestreet        5

原使用代码 #

extract("street", c("street", "housenumber"), "(\\D+)(\\d.*)")

注：代码存在拼写错误，housnumber应为housenumber

原输出结果 #

street         housenumber
wallstreet     17-20
NA             NA

问题 #

如何避免出现NA值？如何保留“wafflestreet”及其对应的“housenumber”值？

1. 修正正则匹配逻辑 #

原正则(\D+)(\d.*)强制要求字符串必须包含「非数字段+数字段」，但wafflestreet没有数字部分，导致匹配失败返回NA。我们可以把数字段设为可选分组，同时将非数字段改为非贪婪匹配，避免吃掉街道名后的空格：

extract("street", c("new_street", "new_housenumber"), "(\\D+?)(\\d.*)?", remove = FALSE)

这里(\d.*)?表示数字段是可选匹配，\D+?的非贪婪模式能精准截取到数字部分之前的街道名。

2. 合并提取值与原有列值 #

第二行的housenumber原本就有有效值5，我们需要用coalesce函数将提取得到的字段与原有字段合并——优先取提取后的值，提取失败时沿用原有值：

library(dplyr)
library(tidyr)

df %>%
  extract(street, c("ext_street", "ext_housenumber"), "(\\D+?)(\\d.*)?", remove = FALSE) %>%
  mutate(
    street = coalesce(ext_street, street),
    housenumber = coalesce(ext_housenumber, housenumber)
  ) %>%
  select(-ext_street, -ext_housenumber)

3. 最终效果 #

执行后会得到符合预期的结果：

street         housenumber
wallstreet     17-20
wafflestreet   5

内容的提问来源于stack exchange，提问作者LindorS