正则表达式排除*前缀6位大写字母模式，提取抗菌药物数据问题

问题根源 #

原正则(?<!\\*)[A-Z]{3}无法排除*ESCCOL中的SCC，因为SCC的前一个字符是E而非*，负向回溯仅检查紧邻的前一个字符，而非整个字符串是否以*开头。我们需要精准匹配后跟药敏标识（R/S/I等）的3位抗菌药物编码，同时排除菌株编码里的无关字母组合。

修正后的代码 #

library(tidyverse)

df <- tibble(
  sample_date_time = as_datetime("2021-01-01 03:00:00"),
  sample_no = "BC11001",
  result_text = "[<*ESCCOL/2/I   /AMPR/>=32/AUGR/16/>]"
)

df %>%
  separate_longer_delim(result_text, delim = "/") %>% 
  mutate(
    # 提取*开头的6位菌株编码
    org = str_extract(result_text, "(?<=\\*)[A-Z]{6}"),
    # 仅提取后跟药敏标识的3位抗菌药物编码
    antimicrobial = str_extract(result_text, "[A-Z]{3}(?=[RSIPNrsipn])"),
    # 提取对应的药敏结果并统一转为大写
    sens = str_extract(result_text, "(?<=[A-Z]{3})[RSIPNrsipn]") %>% str_to_upper()
  )

关键调整说明 #

• 菌株编码提取：使用(?<=\\*)[A-Z]{6}正向回溯断言，精准匹配*之后的6位大写字母，无需分组提取。
• 抗菌药物编码提取：用[A-Z]{3}(?=[RSIPNrsipn])正向先行断言，仅匹配后面紧跟药敏标识的3位大写字母，彻底排除菌株编码中的无关字母组合。
• 药敏结果提取：用(?<=[A-Z]{3})[RSIPNrsipn]正向回溯断言提取3位药物编码后的药敏标识，再通过str_to_upper()统一格式。

修正后输出示例 #

内容的提问来源于stack exchange，提问作者Ollie