如何在R语言中按全大写单词拆分数据框列？

要实现将开头所有连续的全大写单词归入family列，剩余内容归入sp列，可以使用tidyr::extract函数结合精准正则表达式完成，具体方案如下：

核心思路 #

通过正则捕获开头的连续全大写单词（支持1个或多个空格分隔的全大写单词），同时捕获剩余全部内容，分别对应family和sp列。

实现代码 #

library(tidyverse)

mydataframe <- data.frame(species= c("ACTINIDIACEAE Actinidia arguta", 
           "ANACARDIACEAE Attilaea abalak E.Martínez & Ramos", 
           "LEGUMINOSAE CAESALPINIOIDEAE Biancaea decapetala (Roth) O.Deg."),
           trait= c(1,2,4))

# 使用extract拆分目标列
mydataframe <- mydataframe %>%
  extract(species, into = c("family", "sp"), 
          regex = "^(\\b[A-Z]+(?:\\s+[A-Z]+)*)\\s+(.*)$")

# 查看结果
print(mydataframe)

结果说明 #

执行后得到符合预期的结果：

原方案问题分析 #

你之前使用的separate搭配\\s+(?=[A-Z]+)正则存在两个问题：

1. 该正则会在每个全大写单词前的空格处触发拆分，而separate默认仅拆分指定数量的列（此处为2列），导致后续内容丢失；
2. 对于多全大写单词的字符串，会错误地将第二个全大写单词划入sp列开头，不符合需求。

内容的提问来源于stack exchange，提问作者user18081990