R语言优化：从水质样本站点描述中提取水体名称

问题分析 #

原代码存在两个核心缺陷：

1. 正则仅匹配单个前置单词，无法覆盖多词组成的水体名称（如RED ROBIN CREEK）；
2. 对缩写R的匹配规则不合理（原代码用带前后空格的" R "，且未匹配FORDING R这类仅单个空格分隔的场景）。

优化后代码实现 #

library(stringr)

wbod_data<- data.frame(smpl_ID = c(1, 2, 3, 4, 5),
                       site_loc = c("Nile River at bridge", "MC-M1", "Red ROBIN CREEK 30 M D_S OF STP", "PT068 SCUTTLE LK #2", "FORDING R BELOW HARE CREEK"),
                       waterbody = c(NA, NA, NA, NA, NA))

# 定义水体类型关键词，包含全称和缩写
water_types <- c("River", "R", "CREEK", "LK")
# 构建正则模式：匹配1个或多个前置单词，后跟水体类型，忽略大小写
pattern <- paste0("(?i)(\\w+\\s+)*(", paste(water_types, collapse = "|"), ")\\b")

# 提取并清理结果
wbod_data$waterbody <- str_extract(wbod_data$site_loc, pattern)
wbod_data$waterbody <- str_trim(wbod_data$waterbody)

print(wbod_data$waterbody)

关键优化点说明 #

• 多词名称适配：(\\w+\\s+)*匹配0个或多个“单词+空格”组合，支持提取RED ROBIN CREEK这类多词组成的水体名称。
• 缩写R处理：将R加入关键词列表，用\\b确保匹配独立的R（避免误匹配其他单词中的字母），(?i)启用大小写不敏感，兼容不同格式的写法。
• 空格清理：str_trim()去除提取结果前后的冗余空格，保证输出格式整洁。

运行结果 #

[1] "Nile River"      NA                "Red ROBIN CREEK" "SCUTTLE LK"      "FORDING R"

扩展处理（多水体提及场景） #

如果一行中存在多个水体名称（如FORDING R BELOW HARE CREEK），需要提取所有匹配项时，可替换为str_extract_all：

wbod_data$waterbody_all <- str_extract_all(wbod_data$site_loc, pattern)

内容的提问来源于stack exchange，提问作者Christopher Rudolph