如何修正tidyr::separate_wider_regex正则以实现首个匹配拆分并忽略大小写？

1. 修正正则，实现首次匹配即拆分 #

你的问题根源是正则的贪婪匹配特性：默认情况下.*会尽可能匹配最长的内容，导致遇到「123 Cherry St Apt # 5」时，会匹配到最后一个符合规则的位置才拆分。要实现首次匹配就拆分，需改用非贪婪模式或正向预查来限定匹配范围。

错误示例（贪婪匹配） #

如果你的原代码类似这样，就会出现匹配到最后的问题：

separate_wider_regex(df, address,
                     patterns = list(
                       building = "(.*)",
                       unit = "(Apt.*)"
                     ))

修正方案 #

给building的正则添加非贪婪限定符?，让它匹配到第一个公寓标识出现为止：

separate_wider_regex(df, address,
                     patterns = list(
                       building = "(.*?)",
                       unit = "(Apt.*)"
                     ))

更严谨的写法是用正向预查，确保building仅匹配到第一个空格+公寓标识之前的内容：

separate_wider_regex(df, address,
                     patterns = list(
                       building = "(.*?)(?=\\sApt)",
                       unit = "(\\sApt.*)"
                     ))

2. 实现不区分大小写匹配 #

有两种简单方法无需重复编写Apt/APT/apt等变体：

方式一：利用ignore_case参数 #

separate_wider_regex自带ignore_case参数，设为TRUE即可自动忽略大小写：

separate_wider_regex(df, address,
                     patterns = list(
                       building = "(.*?)(?=\\sApt)",
                       unit = "(\\sApt.*)"
                     ),
                     ignore_case = TRUE)

方式二：正则内添加(?i)修饰符 #

如果需要更精准的局部控制，可在正则模式前加(?i)强制不区分大小写：

separate_wider_regex(df, address,
                     patterns = list(
                       building = "(.*?)(?=\\s(?i)Apt)",
                       unit = "(\\s(?i)Apt.*)"
                     ))

完整实操示例 #

假设你的数据如下：

library(tidyr)
library(stringr)

df <- tibble(
  address = c(
    "123 Cherry St Apt 5",
    "123 Cherry St Apt # 5",
    "456 Oak Ave APT 10B",
    "789 Pine Rd apt # 2C"
  )
)

运行修正后的拆分代码，再清理首尾空格：

df_cleaned <- separate_wider_regex(df, address,
                                   patterns = list(
                                     building = "(.*?)(?=\\sApt)",
                                     unit = "(\\sApt.*)"
                                   ),
                                   ignore_case = TRUE) %>%
  mutate(across(c(building, unit), str_trim))

最终拆分结果：

A tibble: 4 × 2 #

building unit

1 123 Cherry St Apt 5
2 123 Cherry St Apt # 5
3 456 Oak Ave APT 10B
4 789 Pine Rd apt # 2C

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