在R（dplyr）中使用grepl筛选邻近双词汇的正则错误问题

问题原因 #

报错Error: '\W' is an unrecognized escape in character string是因为R字符串中的反斜杠需要双重转义，单个\会被R解析为转义符，而正则需要的\b（单词边界）、\W（非单词字符）必须写成\\b、\\W。另外原正则表达式存在括号不匹配的问题，导致语法错误。

修正方案 #

要匹配tumo(u)r与目标词汇（如colon或cancer）相隔不超过3个词的情况，需完成以下调整：

• 修复转义字符，用\\替代单个\
• 修正正则的括号配对，合理分组
• 覆盖双向匹配场景（两个词的顺序可能互换）

示例代码 #

library(tibble)
library(dplyr)

example.df <- tibble(
  number = 1:6,
  AB = c(
    'tumor of the colon is a very hard disease to cure',
    'breast cancer is also known as a neoplasia of the breast',
    'tumour of the colon is bad',
    'colon cancer is also bad',
    'colon and tumor are close',
    'cancer with tumour within three words'
  )
)

# 匹配tumo(u)r与colon相隔不超过3个词（双向）
filtered_colon <- example.df %>% 
  filter(grepl(
    "\\b(tumor|tumour)\\W+(?:\\w+\\W+){0,3}colon\\b|\\bcolon\\W+(?:\\w+\\W+){0,3}(tumor|tumour)\\b",
    AB, 
    ignore.case = TRUE
  ))

# 匹配tumo(u)r与cancer相隔不超过3个词（双向）
filtered_cancer <- example.df %>% 
  filter(grepl(
    "\\b(tumor|tumour)\\W+(?:\\w+\\W+){0,3}cancer\\b|\\bcancer\\W+(?:\\w+\\W+){0,3}(tumor|tumour)\\b",
    AB, 
    ignore.case = TRUE
  ))

# 查看结果
print(filtered_colon)
print(filtered_cancer)

正则逻辑说明 #

• \\b：匹配单词边界，确保仅匹配完整单词
• (tumor|tumour)：匹配tumor或tumour两种拼写
• \\W+：匹配一个或多个非单词字符（如空格、标点）
• (?:\\w+\\W+){0,3}：非捕获组，匹配0到3个“单词+非单词字符”组合，即最多间隔3个词
• |：分隔两种顺序的匹配规则（目标词在前/在后）

运行结果 #

• filtered_colon会筛选出第1、3、5行（包含tumo(u)r和colon且间隔≤3词）
• filtered_cancer会筛选出第6行（包含tumour和cancer且间隔≤3词）

内容的提问来源于stack exchange，提问作者Erin Giles