使用gsub移除指定标识后至分号前的文本（R语言）

针对大数据框中Funding字段的清理需求，我们可以用**正则表达式配合gsub**实现通用处理，无需指定具体资助编号内容，效率足以覆盖大数据量场景。

核心思路 #

匹配FAPESP或CNPq缩写后，移除从逗号开始到下一个分号前的所有冗余内容，仅保留机构缩写本身。

代码实现 #

# 示例字符串测试
funding_example <- "105 Group Science; Fundação de Amparo à Pesquisa do Estado de São Paulo, FAPESP, (2015/07311-7, 2018/03211-6); Coordenação de Aperfeiçoamento de Pessoal de Nível Superior, CAPES; Conselho Nacional de Desenvolvimento Científico e Tecnológico, CNPq, (407543/2018-0, 420699/2018-0); Fundação Araucária; Ministry of Science and Technology, Taiwan, MOST"

# 单个字符串清理
cleaned_funding <- gsub("\\b(FAPESP|CNPq),[^;]+", "\\1", funding_example)
# 输出结果："105 Group Science; Fundação de Amparo à Pesquisa do Estado de São Paulo, FAPESP; Coordenação de Aperfeiçoamento de Pessoal de Nível Superior, CAPES; Conselho Nacional de Desenvolvimento Científico e Tecnológico, CNPq; Fundação Araucária; Ministry of Science and Technology, Taiwan, MOST"

# 处理大数据框的Funding字段
df$Funding <- gsub("\\b(FAPESP|CNPq),[^;]+", "\\1", df$Funding)

正则表达式说明 #

• \\b：单词边界，确保匹配独立的FAPESP/CNPq，避免误匹配包含这些字符的其他字符串
• (FAPESP|CNPq)：捕获组，匹配两个目标机构缩写中的任意一个，后续通过\\1引用保留该内容
• ,[^;]+：匹配逗号后到下一个分号前的所有非分号字符，实现精准移除冗余信息

扩展性 #

如果后续需要处理更多类似的机构缩写，只需在捕获组中添加即可，例如：

df$Funding <- gsub("\\b(FAPESP|CNPq|CAPES),[^;]+", "\\1", df$Funding)

内容的提问来源于stack exchange，提问作者always.learning