使用grepl在data.table中匹配特定模式的问题排查与修正

问题背景 #

现有如下结构的data.table，需要添加两个布尔类型列smaller7和greater7：

• smaller7：标记该行是否存在以字母A-Z开头、后续数字位数少于7位的子模式
• greater7：标记该行是否存在以字母A-Z开头、后续数字位数多于7位的子模式
  要求不拆分列，直接通过正则匹配实现。

原data.table定义：

test <- data.table(
        ID = 1:5,
        pattern = c("01234567 ~ 01234567 ~ 12345678 ~ 23456789 ~ A012345",
                    "A012345 ~ 12345678 ~ A01234 ~ 12345678 ~ 23456789 ~ A012345",
                    "A012345 ~ 12345678 ~ 01234567 ~ 12345678 ~ 23456789",
                    "12345678 ~ 01234567 ~ 12345678 ~ 23456789",
                    "A0123456 ~ 12345678 ~ 01234567 ~ 12345678 ~ 23456789")
        )

原尝试代码 #

# 匹配数字少于7位的模式
test[, smaller7 := grepl("(^| )[A-Z].{1,5}($| )", test$pattern, ignore.case = TRUE)]

# 匹配数字多于7位的模式
test[, greater7 := grepl("(^| )[A-Z].{7,}($| )$", test$pattern, ignore.case = TRUE)]

错误输出结果 #

预期正确结果 #

错误原因 #

1. 边界匹配错误：原正则用(^| )和($| )匹配子模式的边界，但实际子模式的分隔符是~（空格+~+空格），单空格匹配会误触其他位置的空格，导致错误匹配。
2. 字符类型未限制：原正则用.{1,5}、.{7,}匹配任意字符，但我们需要的是严格匹配数字，应该用\\d而非.。
3. 长度计算错误：原正则的长度包含了开头的字母，比如.{1,5}是字母+后续字符共1-5个，但实际需要的是字母后的数字位数少于7（即数字长度1-6）；greater7的正则多了一个多余的$，强制匹配行尾，导致中间的子模式无法被正确排除。
4. data.table语法冗余：在data.table的j表达式里，直接用列名pattern即可，不需要用test$pattern。

修正后的代码 #

# 匹配以字母开头、数字位数少于7位的子模式（数字长度1-6）
test[, smaller7 := grepl("(^| ~ )[A-Z]\\d{1,6}( ~ |$)", pattern, ignore.case = TRUE)]

# 匹配以字母开头、数字位数多于7位的子模式（数字长度≥8）
test[, greater7 := grepl("(^| ~ )[A-Z]\\d{8,}( ~ |$)", pattern, ignore.case = TRUE)]

运行后即可得到预期的正确结果。

内容的提问来源于stack exchange，提问作者Flow91