在R中使用dplyr和stringr时，get_hundred函数处理数据集异常的原因？

需求 #

通过自定义函数get_hundred结合mutate，提取字符串中连续三位数字的首位（字符型），存入新列Hundreds：

• 字符串'821' → '8'
• 字符串'Af823.22' → '8'

自定义函数 #

get_hundred <- function(s) {
  match_pos <- str_locate(s, "[0-9]{3}")
  return(str_sub(s, match_pos[1], match_pos[1]))
}

测试数据集 #

df1 <- structure(list(call.number = c("372.35044 L4383", "344.049 C235", 
"344.410415 DIM", "346.944043 NEI", "808.0667 B2616", "363.6909945 CAST", 
"ABS 2015.0", "371.38 MACK", "372.1102 PRAW", "A823.3 WRIG/T", 
"havmf test", "[DENTISTRY] CROW", "[DENTISTRY] JAWS", "[DENTISTRY] LOWE", 
"[DENTISTRY] MOLA", "[DENTISTRY] SERI", "[DENTISTRY] SKUL", "[DENTISTRY] TEET", 
"[HEALTH]ANKL", "[HEALTH]FOOT"), num.items = c(1, 1, 1, 1, 1, 
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2)), row.names = c(NA, 
-20L), class = c("tbl_df", "tbl", "data.frame"))

数据过滤 #

仅保留符合^[A-Z]?[A-Z|a-z]?[0-9]{3}.*格式的记录：

df2 <- df1 %>%
  filter(str_detect(call.number, "^[A-Z]?[A-Z|a-z]?[0-9]{3}.*"))

异常现象 #

执行以下代码时：

df2 %>%
  mutate(Hundreds = get_hundred(call.number))

df2中"A823.3 WRIG/T"对应的Hundreds列被填入'A'，但单独调用get_hundred("A823.3 WRIG/T")能正确返回'8'。

原因 #

str_locate处理向量输入时返回的是矩阵，而非单个位置值。在mutate中传入整个call.number列（向量）时，match_pos是n行2列的矩阵，此时match_pos[1]取的是矩阵的第一个元素（即第一行的匹配起始位置），后续所有行都会复用这个位置值进行截取。比如df2第一行的匹配起始位置是1，所以第9行用位置1截取到了'A'。而单独调用时，s是单个字符串，match_pos是长度为2的向量，match_pos[1]是该字符串的匹配起始位置，结果自然正确。

解决方案 #

方案1：优化正则表达式，直接提取目标字符 #

利用str_extract的向量化特性，结合符合过滤规则的正则，一步到位：

get_hundred <- function(s) {
  str_extract(s, "(?<=^[A-Za-z]{0,2})[0-9]")
}

该正则匹配开头0-2个字母后的第一个数字，完全贴合需求，且原生支持向量输入。

方案2：逐行处理元素 #

用purrr::map_chr逐个处理每个字符串，确保每个元素的匹配位置独立计算：

library(purrr)
get_hundred <- function(s) {
  map_chr(s, function(x) {
    match_pos <- str_locate(x, "[0-9]{3}")
    str_sub(x, match_pos[1], match_pos[1])
  })
}

方案3：使用rowwise逐行执行mutate #

让mutate逐行处理数据，此时每个字符串的match_pos都是独立的向量：

df2 %>%
  rowwise() %>%
  mutate(Hundreds = get_hundred(call.number)) %>%
  ungroup()

内容的提问来源于stack exchange，提问作者Klew Lesse