如何用正则表达式从路径字符串提取Country、League、Year字段？

原始数据集代码 #

path<-c("C:/Users/SEYDOU GORO/Dropbox/PC (2)/Documents/BETCLIC/DONNEES/argentina-primera-division-matches-2022-to-2022-stats.csv",
"C:/Users/SEYDOU GORO/Dropbox/PC (2)/Documents/BETCLIC/DONNEES/argentina-primera-division-matches-2022-to-2022-stats.csv",
"C:/Users/SEYDOU GORO/Dropbox/PC (2)/Documents/BETCLIC/DONNEES/france-ligue-2-matches-2021-to-2022-stats.csv",
"C:/Users/SEYDOU GORO/Dropbox/PC (2)/Documents/BETCLIC/DONNEES/germany-2-bundesliga-matches-2021-to-2022-stats.csv")

mydata<-data.frame(path=path)

需求 #

从path变量衍生三个新变量：

• Country：提取DONNEES/后到第一个-之间的国家名称
• League：提取DONNEES/后国家名称之后到-matches之前的联赛名称
• Year：提取-to之前的年份信息

期望结果 #

path   Country           League Year
1 C:/Users/SEYDOU GORO/Dropbox/PC (2)/Documents/BETCLIC/DONNEES/argentina-primera-division-matches-2022-to-2022-stats.csv argentina primera-division 2022
2 C:/Users/SEYDOU GORO/Dropbox/PC (2)/Documents/BETCLIC/DONNEES/argentina-primera-division-matches-2022-to-2022-stats.csv argentina primera-division  202
3             C:/Users/SEYDOU GORO/Dropbox/PC (2)/Documents/BETCLIC/DONNEES/france-ligue-2-matches-2021-to-2022-stats.csv    france          ligue-2 2021
4       C:/Users/SEYDOU GORO/Dropbox/PC (2)/Documents/BETCLIC/DONNEES/germany-2-bundesliga-matches-2021-to-2022-stats.csv   germany     2-bundesliga 2021

正则表达式实现方法 #

方法1：Base R 原生函数 sub #

利用sub的正则替换功能，捕获目标内容并提取：

# 提取Country
mydata$Country <- sub(".*/DONNEES/([^-]+)-.*", "\\1", mydata$path)

# 提取League
mydata$League <- sub(".*/DONNEES/[^-]+-(.*)-matches.*", "\\1", mydata$path)

# 提取Year
mydata$Year <- sub(".*-(\\d+)-to.*", "\\1", mydata$path)

# 查看最终结果
print(mydata)

正则说明：

• Country：.*DONNEES/([^-]+)-.* 匹配到DONNEES/后，捕获第一个-前的所有非-字符（国家名）
• League：.*DONNEES/[^-]+-(.*)-matches.* 跳过国家名部分，捕获到-matches前的内容（联赛名）
• Year：.*-(\\d+)-to.* 捕获-to前的数字序列（年份）

方法2：使用stringr包（更直观） #

stringr的str_extract函数支持正则预查，代码可读性更强：

library(stringr)

# 提取Country
mydata$Country <- str_extract(mydata$path, "(?<=DONNEES/)[^-]+")

# 提取League
mydata$League <- str_extract(mydata$path, "(?<=DONNEES/[^-]+-).*(?=-matches)")

# 提取Year
mydata$Year <- str_extract(mydata$path, "\\d+(?=-to)")

# 查看最终结果
print(mydata)

正则说明：

• (?<=DONNEES/)：正向预查，确保匹配内容前是DONNEES/
• (?=-matches)：正向预查，确保匹配内容后是-matches
• \\d+(?=-to)：匹配-to前的所有数字

内容的提问来源于stack exchange，提问作者Seydou GORO