在R语言中从混合格式姓名列提取姓氏的方法

针对你的数据集，这里提供两种在R中提取姓氏的方案：

方法一：使用Base R（无需额外包） #

利用正则表达式匹配两种姓名格式，通过sub()函数直接提取姓氏：

df$last_name <- sub("^(.*?),.*$|.*\\s(.*)$", "\\1\\2", df$name)

正则逻辑说明： #

• ^(.*?),.*$：匹配「姓氏, 名字」格式的字符串，捕获逗号前的部分（即姓氏）
• .*\\s(.*)$：匹配「名字 姓氏」格式的字符串，捕获空格后的部分（即姓氏）
• \\1\\2：优先取第一个模式匹配的结果，无匹配时取第二个模式结果；单姓名场景下两个模式都不触发，sub()直接返回原字符串，正好符合需求

运行后结果：

> df
  id         name last_name
1  1   Jack Smith      Smith
2  2   May, Flora        May
3  3      Jackson    Jackson
4  4 Baker, Gavin       Baker
5  5        Walls      Walls

方法二：使用tidyverse（stringr包） #

如果习惯tidyverse语法，可用stringr::str_extract()结合正则实现：

library(tidyverse)

df <- df %>%
  mutate(last_name = str_extract(name, "^[^,]+(?=,)|\\b\\w+$"))

正则逻辑说明： #

• ^[^,]+(?=,)：匹配逗号前的所有字符（正向预查确保后方存在逗号）
• \\b\\w+$：匹配字符串的最后一个单词（对应「名字 姓氏」格式的姓氏）
• 两个模式用|分隔，str_extract()返回第一个匹配结果，单姓名场景会直接匹配整个字符串

运行后同样可得到目标结果。

内容的提问来源于stack exchange，提问作者amisos55