如何正确使用separate_wider_regex()处理正则匹配失败场景？

问题说明 #

使用separate_wider_regex()拆分地址字符串时，当部分字符串缺少str-la标识，会导致后续的街道名称（den_str）和门牌号（nr）无法正确提取。现有代码在格式统一的moldavia_1中正常工作，但在存在格式差异的moldavia_2中返回大量NA，无法得到预期结果。

待处理的数据：

moldavia_2 <- 
  tibble(adresa = c("1;MD-3101,Balti Botu Pavel 3",
                    "3;MD-3102,Balti str-la Muresanu A. 11",
                    "17;MD-3102,Balti Sorocii 46",
                    "398;MD-3111,Balti Stefan cel Mare 20",
                    "1130;MD-3128,Balti str-la Lvovului 2",
                    "1252;MD-3128,Balti str-la Lvovului 1",
                    "2814;MD-3102,Balti Cahulului 44"))

期望的拆分结果是即使没有str-la，也能正确提取所有字段，包括将缺少str-la的行对应字段设为NA，同时完整提取街道名称和门牌号。

调整后的解决方案 #

关键是将str-la设置为可选匹配，并调整正则逻辑适配两种格式，具体代码如下：

library(tidyverse)

moldavia_2 %>% 
  separate_wider_regex(
    cols = adresa,
    patterns = c(
      ids = "^\\d+", 
      ";",
      cod_post = ".*?",  # 非贪婪匹配，确保只捕获到逗号前的邮编
      ",",
      cod_4 = "\\w+",
      "\\s",
      str = "(str-la)?",  # 将str-la设为可选匹配，无匹配时返回NA
      "(?(1)\\s|)",       # 条件匹配：若存在str-la则匹配后续空格，否则跳过
      den_str = "(.*?)(?=\\s\\d+$)",  # 匹配到最后空格+数字前的所有内容，即街道名称
      "\\s",
      nr = "\\d+$"
    ),
    too_few = "align_start"
  ) %>%
  rename(tip_str = str)  # 重命名为期望的列名

关键调整点 #

• cod_post的非贪婪匹配：将原来的.*改为.*?，避免过度匹配吃掉逗号后的内容，确保准确捕获邮编。
• 可选的str-la匹配：用(str-la)?让该字段成为可选，无匹配时自动返回NA。
• 条件正则适配格式差异：(?(1)\\s|)是条件分支正则，当str-la匹配成功时，才匹配后续的空格，解决有无str-la时的格式差异。
• 精准捕获街道名称：(.*?)(?=\\s\\d+$)通过正向预查，匹配到最后一个空格加门牌号之前的所有内容，不管有没有str-la都能正确提取街道名称，同时去掉多余的引号和空格。

运行结果 #

执行后将得到与期望一致的输出：

# A tibble: 7 × 6
  ids   cod_post cod_4 tip_str den_str         nr   
  <chr> <chr>    <chr> <chr>   <chr>           <chr>
1 1     MD-3101  Balti NA      Botu Pavel      3    
2 3     MD-3102  Balti str-la  Muresanu A.     11   
3 17    MD-3102  Balti NA      Sorocii         46   
4 398   MD-3111  Balti NA      Stefan cel Mare 20   
5 1130  MD-3128  Balti str-la  Lvovului        2    
6 1252  MD-3128  Balti str-la  Lvovului        1    
7 2814  MD-3102  Balti NA      Cahulului       44   

内容的提问来源于stack exchange，提问作者itamar