如何在RStudio中提取Excel列内首字母大写的单词

你之前用的方法没命中核心需求：

• str_subset(x, "^[[:upper:]]")是筛选整行文本以大写字母开头的行，不是提取行内的大写单词，完全不对路
• gsub("\\b[a-z]+\\s+", "", x)只去掉了小写开头的单词和后续空格，但数字、标点、重复的大写单词都没处理，所以没用

用R的stringr包可以轻松解决，步骤如下：

1. 加载依赖包并读取Excel数据 #

# 先安装需要的包（如果没装过）
install.packages(c("readxl", "stringr"))
library(readxl)
library(stringr)

# 读取Excel文件，替换成你的文件路径
df <- read_excel("your_file.xlsx")
# 假设目标列叫"sample_col"，提取该列文本
text_col <- df$sample_col

2. 提取首字母大写的单词并去重 #

# 从每行提取所有首字母大写的单词，返回列表
capital_words_list <- str_extract_all(text_col, "\\b[[:upper:]][a-z]+\\b")

# 把列表展开为向量，去重后得到唯一的大写单词（这里就是"European"）
unique_capital_word <- unique(unlist(capital_words_list))

# 如果要把原列替换成清理后的结果（每行保留唯一的大写单词）
df$cleaned_col <- sapply(capital_words_list, function(words) unique(words)[1])

正则解释 #

\\b[[:upper:]][a-z]+\\b：

• \\b：匹配单词边界，确保提取的是完整单词
• [[:upper:]]：匹配单词开头的大写字母
• [a-z]+：匹配后续的小写字母（至少1个）
• \\b：匹配单词结尾的边界

3. 直接清理文本（可选） #

如果想直接把每行文本处理成只保留大写单词，也可以用这个写法：

df$cleaned_col <- text_col %>%
  # 去掉数字、标点、小写单词
  str_replace_all("\\d+,?\\d*|,|\\b[a-z]+\\b", "") %>%
  # 去掉多余空格
  str_squish() %>%
  # 去重（因为每行可能重复出现European）
  sapply(function(x) unique(str_split(x, " ")[[1]])) %>%
  # 转成字符向量
  as.character()

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