如何在R语言中使用正则表达式实现确定性分类的更优雅方案？

问题背景 #

我有一个正则表达式列表：

regex_list <- list("First Name" = "^[A-Za-z]+$",
                   "Postal Code" = "^[0-9]{5}$",
                   "Email" = "^[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\\.[A-Za-z]{2,}")

同时有一个待分类的字符串列表：

strings <- c(
  "John", "12345", "john.doe@email.com", "InvalidString", 
  "Alice", "54321", "example.com", "Bob", "67890", "contact@example.org",
  "Charlie", "98765", "test.email@test.co.uk", "David", "13579", "invalid.email",
  "Eva", "24680", "eva.smith@example.com", "Frank", "11111", "frank@email"
)

我需要根据正则表达式列表对每个字符串分类，目前已通过嵌套循环实现功能，想寻求更优雅的实现方式。

优雅实现方案 #

方案1：基础R的apply系列函数 #

无需额外依赖，用sapply遍历字符串，结合逻辑匹配找到第一个符合条件的类别：

categories <- sapply(strings, function(s) {
  # 生成每个正则对当前字符串的匹配结果
  match_results <- sapply(regex_list, grepl, x = s)
  # 返回第一个匹配的类别，无匹配则返回"No Category"
  if (any(match_results)) names(regex_list)[which(match_results)[1]] else "No Category"
}, USE.NAMES = FALSE)

方案2：使用purrr包的向量化操作 #

借助purrr的函数式编程能力，代码更简洁易读：

library(purrr)

categories <- map_chr(strings, function(s) {
  # 找到第一个匹配的正则表达式索引
  matched_idx <- detect(regex_list, ~grepl(.x, s))
  if (!is.null(matched_idx)) names(regex_list)[matched_idx] else "No Category"
})

方案3：dplyr+case_when（适合数据框场景） #

如果将字符串存入数据框，用case_when可以直观写出分支逻辑：

library(dplyr)

# 转换为数据框并添加分类列
string_df <- tibble(input_str = strings) %>%
  mutate(
    category = case_when(
      grepl(regex_list[["First Name"]], input_str) ~ "First Name",
      grepl(regex_list[["Postal Code"]], input_str) ~ "Postal Code",
      grepl(regex_list[["Email"]], input_str) ~ "Email",
      TRUE ~ "No Category"
    )
  )

# 提取分类结果
categories <- string_df$category

方案4：stringr包简化正则匹配 #

stringr是tidyverse的字符串工具包，语法更简洁直观：

library(stringr)
library(purrr)

categories <- map_chr(strings, function(s) {
  # 检测匹配并取第一个匹配的位置
  match_pos <- str_detect(s, regex_list) %>% which() %>% first()
  if (!is.na(match_pos)) names(regex_list)[match_pos] else "No Category"
})

内容的提问来源于stack exchange，提问作者Aku-Ville Lehtimäki