R语言：如何从含数字、文本、NA的col2列提取数值？

需要处理包含数值、文本、NA的混合列col2，实现以下目标：

• 保留原有数值类型的数字
• 保留NA值
• 纯文本转为NA
• 从混合文本中提取数字（如'data >20 mile/h'提取为20）

原始数据：

col1 <- c('t1', 't2', 't3', 't4', 't5', 't6', 't7', 't8', 't9', 't10')
col2 <- c(300, '>200m', NA, 'result 50 mg/g', NA, 'Not data', 'pending', NA, 'positive', 'data >20 mile/h')
df <- data.frame(col1, col2)

期望输出的col3：

col3 <- c(300, 200, NA, 50, NA, NA, NA, NA, NA, 20)
df2 <- data.frame(col1, col3)

方法1：使用stringr包（简洁直观） #

# 未安装包先运行：install.packages("stringr")
library(stringr)

# 生成目标列col3
df$col3 <- as.numeric(str_extract(as.character(df$col2), "\\d+"))

方法2：使用Base R（无需额外依赖） #

# 生成目标列col3
df$col3 <- as.numeric(sapply(as.character(df$col2), function(x) {
  num_matches <- regmatches(x, gregexpr("\\d+", x))[[1]]
  if (length(num_matches) > 0) num_matches[1] else NA
}))

结果验证 #

运行代码后，df$col3将与期望输出完全一致：

> df$col3
[1] 300 200  NA  50  NA  NA  NA  NA  NA  20

代码说明 #

1. as.character(df$col2)：把混合类型的col2统一转为字符型，避免类型处理冲突；
2. 正则匹配：\\d+用于匹配连续的数字序列，提取第一个匹配结果（无匹配则返回NA）；
3. as.numeric(...)：将提取到的数字字符串转为数值类型，NA值自动保留。

该方案完全覆盖所有需求：原有数值保留、NA不变、纯文本转NA、混合文本中的数字精准提取。

内容的提问来源于stack exchange，提问作者zhd