如何在tidyverse中基于邮箱格式过滤表格并筛选非垃圾邮箱

一、用tidyverse整合邮箱过滤逻辑 #

不用多次str_split拆分字符串，直接用正则表达式结合dplyr::filter就能高效完成过滤，代码示例如下：

library(tidyverse)

# 假设你的数据框名为df，邮箱列名为email
filtered_df <- df %>%
  filter(
    # 排除@符号前仅含数字的邮箱
    !grepl("^\\d+@", email),
    # 排除@符号后、.com后缀前仅含数字的邮箱
    !grepl("@\\d+\\.com$", email)
  )

正则表达式说明： #

• ^\\d+@：匹配**以一串数字开头，紧接着@**的邮箱（即@前全是数字的情况），用!取反即可排除这类邮箱
• @\\d+\\.com$：匹配**@后是一串数字，以.com结尾**的邮箱（即@后到.com前全是数字的情况），同样用!取反排除

你可以用示例数据测试逻辑：

# 示例测试数据
test_df <- tibble(
  email = c("XXX@123.com", "2wsc@111.com", "13625651286@139.com", "valid@example.com")
)

test_df %>%
  filter(
    !grepl("^\\d+@", email),
    !grepl("@\\d+\\.com$", email)
  )
# 最终只会保留valid@example.com

二、R语言中的邮箱垃圾过滤器 #

R没有内置专门的邮箱垃圾过滤器，但有工具可以辅助邮箱验证和筛选：

• 格式验证类包：比如validate或emailvalidator，提供is_email()这类函数，可以先过滤格式不合法的邮箱，但无法直接识别垃圾邮箱
• 自定义规则：像你需求中的这类特定垃圾邮箱规则，用正则表达式自定义过滤是最直接的方案
• 第三方集成：如果需要更精准的垃圾邮箱识别，可结合第三方反垃圾邮箱服务，但R本身没有对应的专属包，需自行调用API实现

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