如何自动提取调查数据清洗脚本信息生成指定格式的R脚本？

作为R新手，我有一份约200列的调查数据清洗脚本，由调查平台导出，每列对应4或5行代码块（示例如下）：

# Survey type: A
data[, 72] <- as.character(data[, 72])
attributes(data)$variable.labels[72] <- "Joint grant proposals submitted"
names(data)[72] <- "E31_SQ005"

# Survey type: F
data[, 74] <- as.numeric(data[, 74])
attributes(data)$variable.labels[74] <- "Have you submitted other joint grant proposals?"
data[, 74] <- factor(data[, 74], levels=c(1,0),labels=c("yes", "no"))
names(data)[74] <- "E311"

# Survey Field type: A
data[, 17] <- as.character(data[, 17])
attributes(data)$variable.labels[17] <- "[Other] I came to know about the VSP through the following sources:"
names(data)[17] <- "B1_other"

# Survey type: F
data[, 18] <- as.numeric(data[, 18])
attributes(data)$variable.labels[18] <- "I used the following sources to inform myself about the VSP:"
data[, 18] <- factor(data[, 18], levels=c(1,0),labels=c("Yes", "Not selected"))
names(data)[18] <- "B2_SQ002"

我需要从每个代码块中提取两个信息：

1. attributes(data)$variable.labels[xx] <- 后的引号内文本
2. 代码块最后一行names(data)[xx] <-后的变量名

然后生成重复对应次数的如下格式代码：

print("Code:变量名")
print("属性文本")
table(df$变量名)

之前尝试正则表达式和批量替换都无效，希望获取可行的实现方法、学习建议或半完成代码。

方法1：用R脚本直接处理清洗脚本文本 #

把清洗脚本保存为cleaning_script.R，运行以下R代码提取信息并生成目标代码：

# 安装依赖包（首次运行需要）
install.packages("stringr")

# 读取清洗脚本内容
script_lines <- readLines("cleaning_script.R")

# 初始化存储结果的列表
result_list <- list()

current_attr <- NULL
current_var <- NULL

# 遍历每行匹配目标内容
for (line in script_lines) {
  # 匹配attributes行，提取引号内文本
  attr_match <- stringr::str_match(line, 'attributes\\(data\\)\\$variable.labels\\[\\d+\\] <- "(.*)"')
  if (!is.na(attr_match[1])) {
    current_attr <- attr_match[2]
  }
  
  # 匹配names行，提取变量名
  var_match <- stringr::str_match(line, 'names\\(data\\)\\[\\d+\\] <- "(.*)"')
  if (!is.na(var_match[1])) {
    current_var <- var_match[2]
    # 同时获取到属性和变量名时，存入结果列表
    if (!is.null(current_attr)) {
      result_list[[current_var]] <- current_attr
      current_attr <- NULL # 重置，准备下一个代码块
    }
  }
}

# 生成目标代码
target_code <- lapply(names(result_list), function(var) {
  attr_text <- result_list[[var]]
  paste0(
    'print("Code:', var, '")\n',
    'print("', attr_text, '")\n',
    'table(df$', var, ')\n\n'
  )
})

# 将结果写入新文件
writeLines(unlist(target_code), "output_code.R")

说明 #

脚本会自动读取清洗脚本，提取每对属性文本和变量名，生成指定格式的代码并保存为output_code.R，直接运行即可使用。

方法2：用文本编辑器的正则替换（以VS Code为例） #

如果不想写R脚本，可使用支持多行正则的编辑器：

1. 打开清洗脚本，打开替换面板（Ctrl+H）
2. 勾选「正则表达式」选项
3. 查找模式：

# Survey.*\n(?:.*\n)*?attributes\(data\)\$variable\.labels\[\d+\] <- "(.*)"\n(?:.*\n)*?names\(data\)\[\d+\] <- "(.*)"

4. 替换模式：

print("Code:$2")
print("$1")
table(df$$2)

5. 点击「全部替换」

说明 #

该正则会匹配完整代码块，捕获属性文本（$1）和变量名（$2），直接替换为目标格式。不同编辑器正则语法略有差异，VS Code可直接使用上述规则。

学习建议 #

1. 掌握基础正则表达式语法，尤其是捕获组、非捕获组、多行匹配规则，这对批量处理文本类任务至关重要
2. 学习R的stringr包，它提供了更友好的字符串处理函数，适合这类文本提取需求
3. 若已加载清洗后的data数据，可直接通过属性提取生成代码，无需处理脚本文本：

# 假设已加载清洗后的data数据
for (var in names(data)) {
  attr_text <- attributes(data)$variable.labels[which(names(data) == var)]
  cat(
    'print("Code:', var, '")\n',
    'print("', attr_text, '")\n',
    'table(df$', var, ')\n\n',
    sep = ""
  )
}

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