从R数据框Income列提取数值并生成Avg列的实现方案

问题场景 #

现有R数据框：

df <- data.frame(Income = c("$100to$200","under$100","above$1000"))

需要从Income列提取数值：若为区间（含两个数值）则取平均值，若为单值描述则直接取用该数值，最终得到目标数据框：

df_final <- data.frame(Avg = c(150,100,1000))

解决方案1：stringr+dplyr（tidyverse风格） #

library(stringr)
library(dplyr)

df <- data.frame(Income = c("$100to$200","under$100","above$1000"))

df_final <- df %>%
  # 提取字符串中的所有数字，生成列表列
  mutate(nums = str_extract_all(Income, "\\d+")) %>%
  # 遍历数字列表，计算平均值或直接取单值
  mutate(Avg = sapply(nums, function(x) {
    x_num <- as.numeric(x)
    if (length(x_num) == 2) mean(x_num) else x_num
  })) %>%
  # 仅保留目标列
  select(Avg)

# 查看结果
df_final

解决方案2：基础R实现（无需额外包） #

df <- data.frame(Income = c("$100to$200","under$100","above$1000"))

# 提取每个字符串中的数字，得到数字列表
nums_list <- regmatches(df$Income, gregexpr("\\d+", df$Income))

# 计算每个列表的平均值/单值，转为目标数据框
df_final <- data.frame(
  Avg = sapply(nums_list, function(x) {
    x_num <- as.integer(x)
    if (length(x_num) == 2) mean(x_num) else x_num
  })
)

# 查看结果
df_final

核心逻辑说明 #

• 用正则表达式\\d+匹配字符串中的所有连续数字，忽略数字前后的符号或描述性文字
• 对提取到的数字列表做判断：长度为2时计算平均值，长度为1时直接返回该数值
• 两种方法最终都能生成符合需求的df_final数据框

内容的提问来源于stack exchange，提问作者Tina