在R语言中按指定位置拆分固定宽度字符串的最优方法

问题背景 #

给定如下样本数据，需要将字符串按第2、4、10、14、16、18、19、23个字符后的位置拆分，输出固定分段的结果：

string1 <- c(320100000020220311020210)
string2 <- c(320100000020220312120211)
testitem <- data.frame(string1, string2)

关键前置处理 #

原数据中的字符串被存储为数值型，会丢失前导零，必须先转换为字符型：

testitem$string1 <- as.character(testitem$string1)
testitem$string2 <- as.character(testitem$string2)

方法一：使用stringr包（简洁高效） #

stringr的str_split_fixed函数可以直接按正则规则拆分并返回固定长度的结果：

library(stringr)

# 定义拆分位置的正则表达式：匹配指定位置后的空字符串
split_pattern <- "(?<=^.{2})|(?<=^.{4})|(?<=^.{10})|(?<=^.{14})|(?<=^.{16})|(?<=^.{18})|(?<=^.{19})|(?<=^.{23})"

# 拆分每个字符串，得到9段固定结果
split_str1 <- str_split_fixed(testitem$string1, split_pattern, n = 9)
split_str2 <- str_split_fixed(testitem$string2, split_pattern, n = 9)

# 合并为结果数据框
result <- rbind(split_str1, split_str2)
colnames(result) <- paste0("分段_", 1:9)

# 输出结果
print(result)

输出示例：

分段_1 分段_2 分段_3   分段_4 分段_5 分段_6 分段_7 分段_8 分段_9
[1,] "32"   "01"   "000000" "2022" "03"   "11"   "0"    "2021" "0"
[2,] "32"   "01"   "000000" "2022" "03"   "12"   "1"    "2021" "1"

方法二：Base R原生实现（无需额外包） #

使用Base R的strsplit配合Perl正则实现拆分：

# 定义拆分函数
split_func <- function(x) {
  strsplit(x, "(?<=^.{2})|(?<=^.{4})|(?<=^.{10})|(?<=^.{14})|(?<=^.{16})|(?<=^.{18})|(?<=^.{19})|(?<=^.{23})", perl = TRUE)[[1]]
}

# 应用拆分到所有字符串
result <- data.frame(
  t(sapply(testitem$string1, split_func)),
  t(sapply(testitem$string2, split_func))
)
colnames(result) <- c(paste0("string1_分段_", 1:9), paste0("string2_分段_", 1:9))

# 查看结果
print(result)

方法说明 #

• 正则表达式中的(?<=^.{n})是正向预查断言，表示“匹配位于开头n个字符之后的空白位置”，通过|连接多个位置即可实现多断点拆分。
• 指定n=9是因为8个拆分点会生成9个分段，确保结果结构固定，避免因字符串长度差异导致的错误。
• 若字符串长度固定，也可使用substr逐个截取分段，但正则方法更灵活，修改拆分位置只需调整正则中的数字即可。

内容的提问来源于stack exchange，提问作者Tim Wilcox