如何按站点ID筛选保留含separated短语的目标文件路径？

我有如下文件路径的示例数据：

paths <- c("data/A101/bill1.xlsx", "data/A101/bill1-separated.xlsx", "data/B215/usage2.csv", "data/B215/usage2-separated.xlsx",
           "data/A101/bill2.xls", "data/A101/bill2-separated.xlsx", "data/C145/account1.xlsx", "data/C145/account1-separated.xlsx",
           "data/A101/bill3.xlsx", "data/B215/usage1.csv", "data/B215/usage3.xls", "data/C145/account2.xlsx") %>% sort()

数据文件夹下有带站点标识的子文件夹，每个子文件夹对应站点专属数据。比如data/A101/文件夹包含5个数据文件：bill1-separated.xlsx、bill1.xlsx、bill2.xls、bill2-separated.xlsx、bill3.xlsx。

我的需求是：

• 当同一文件的原版本和带separated的分离版同时存在时，只保留带separated的文件路径；
• 若只有原文件存在，则保留原文件路径。

比如bill1-separated.xlsx和bill1.xlsx同时存在时，仅保留bill1-separated.xlsx的路径。

期望得到的结果如下：

desired <- c(NA_character_, "data/A101/bill1-separated.xlsx", NA_character_, "data/B215/usage2-separated.xlsx",
             NA_character_, "data/A101/bill2-separated.xlsx", NA_character_, "data/C145/account1-separated.xlsx",
             "data/A101/bill3.xlsx", "data/B215/usage1.csv", "data/B215/usage3.xls", "data/C145/account2.xlsx") %>% sort()

我尝试用ifelse和grepl来筛选，但没成功，尝试的代码如下：

library(stringr)
library(dplyr)
# attempt
temp <- data.frame(path = paths)
temp %>% 
  mutate(
    file = str_extract(paths, "\/.*\/(.+)", group=1),
    attempt = ifelse(!grepl("separated", file),
                     NA, # nest another ifelse? but not sure what condition/regex to use
                     path
                     )
  )

可以通过提取每个文件的**基础标识（去掉-separated和后缀）**分组，在每组内优先选择带separated的文件，无分离版则保留原文件，最后匹配原路径列表生成结果。

具体代码实现：

library(dplyr)
library(stringr)

temp <- tibble(path = paths) %>%
  # 提取站点文件夹路径，确保同站点文件不跨组
  mutate(
    site_dir = str_extract(path, "^data/[A-Z0-9]+/"),
    # 提取纯文件名（去掉站点路径）
    filename = str_remove(path, "^data/[A-Z0-9]+/"),
    # 生成基础标识：去掉-separated后缀和文件扩展名
    base_id = str_remove(filename, "-separated\\..+$|\\..+$")
  ) %>%
  # 按站点+基础标识分组
  group_by(site_dir, base_id) %>%
  mutate(
    # 标记是否为分离版文件
    is_separated = str_detect(filename, "-separated"),
    # 每组确定保留的路径：有分离版则留分离版，否则留原文件
    keep_path = if(any(is_separated)) path[is_separated] else path
  ) %>%
  ungroup() %>%
  # 匹配原路径列表，不需要的路径设为NA
  mutate(result = ifelse(path %in% keep_path, path, NA_character_))

# 提取最终结果并排序
final_result <- temp$result %>% sort()

# 验证是否与期望结果一致
all.equal(final_result, desired)

代码说明 #

• site_dir：提取文件所在的站点文件夹，避免不同站点的同名文件被归为一组；
• base_id：通过正则表达式去除-separated后缀和文件扩展名，得到每个文件的唯一核心标识，用于分组匹配原文件和分离版；
• 分组后检查是否存在分离版文件，存在则保留该路径，否则保留原文件路径；
• 最后将原路径列表中不符合要求的条目设为NA，得到与预期一致的结果。

内容的提问来源于stack exchange，提问作者nightstand