如何用tidyr::separate_wider_regex拆分含可选年份的赛事字段

问题场景 #

有一个包含体育赛事的DataFrame，赛事名称后可能带有格式多样的可选年份（无空格或单词数量限制），示例数据如下：

library(tibble)
df <- tibble(event_optional_year = c("World Championships", "Summer Olympics 12", "Olympics 2016", "Olympics 2020/2021"))

需要将event_optional_year列拆分为event（去除可选年份的赛事名称）和year（对应年份或NA）两列。

正确实现代码 #

使用tidyr::separate_wider_regex搭配特定正则表达式即可完成拆分：

library(tidyr)

df_split <- df %>%
  separate_wider_regex(
    event_optional_year,
    patterns = list(
      event = "^(.+?)(?=\\s+[0-9/]+$|$)",
      year = "(?:\\s+([0-9/]+))?$"
    )
  )

正则逻辑解释 #

• event列正则：^(.+?)(?=\\s+[0-9/]+$|$)

  • ^ 锁定字符串起始位置
  • (.+?) 非贪婪捕获赛事名称主体（尽可能少匹配，避免吞掉年份前的内容）
  • (?=...) 正向预查，确保捕获的内容后要么是「空格+数字/斜杠组合到结尾」，要么直接到字符串结尾（对应无年份的情况）

• year列正则：(?:\\s+([0-9/]+))?$

  • (?:...) 非捕获组，用来包裹可选的年份前缀和内容
  • \\s+ 匹配年份前的一个或多个空格
  • ([0-9/]+) 捕获由数字、斜杠组成的年份内容（支持两位年份、四位年份、年份范围格式）
  • ?$ 表示整个年份模块是可选的，适配无年份的条目

拆分结果 #

执行代码后得到的结果如下：

#> # A tibble: 4 × 2
#>   event               year      
#>   <chr>               <chr>     
#> 1 World Championships <NA>      
#> 2 Summer Olympics     12        
#> 3 Olympics            2016      
#> 4 Olympics            2020/2021

扩展说明 #

如果年份格式包含其他特殊字符（比如短横线-），只需调整正则中的字符集，例如将[0-9/]+改为[0-9/-]+即可适配。

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