如何让tstrsplit在data.table中逐行提取文件名的最后后缀？

原代码问题分析 #

你的代码出错核心原因：

• tstrsplit(filename, "\\.")返回的是整个列所有行拆分结果组成的列表，并非逐行的独立向量；
• length(tstrsplit(filename, "\\."))计算的是这个列表的总长度（即行数），不是每行拆分后的片段数量；
• 后续[chunks]是对整个列表按索引取元素，而非针对每行自己的拆分结果取最后一段，导致逻辑错位。

解决方案 #

以下是几种高效可行的实现方式：

方法1：结合tstrsplit与sapply逐行取最后片段

利用tstrsplit的列表返回结构，用sapply遍历每行的拆分结果，直接取最后一个元素：

files0 <- data.table(filename=c("simple_file.csv","file with.two dots.xls"))
files0[, extension := sapply(tstrsplit(filename, "\\."), tail, n = 1)]

方法2：正则表达式（最高效）

无需拆分，直接通过正则匹配最后一个点之后的内容，适合大规模数据集：

# base R 原生实现
files0[, extension := sub(".*\\.(.*)$", "\\1", filename)]

# stringr 包简化实现（需先安装加载）
library(stringr)
files0[, extension := str_remove(str_extract(filename, "\\.[^.]+$"), "\\.")]

正则说明：

• .*\\.(.*)$：匹配最后一个点之前的所有内容，捕获点之后的部分；
• \\.[^.]+$：直接匹配最后一个点及之后的非点字符，再移除开头的点。

方法3：data.table逐行强制处理（by = .I）

通过by = .I让代码逐行执行，每行单独处理自己的文件名：

files0[, extension := {
  split_parts <- tstrsplit(filename, "\\.")[[1]]
  split_parts[length(split_parts)]
}, by = .I]

内容的提问来源于stack exchange，提问作者kdarras