在R语言中提取数据框列内%%分隔符之间的信息

需求说明 #

从数据框df的information列中，批量提取位于两组%%分隔符之间的文本，替换empty列的原有值。

示例数据 #

empty <- c('NA', 'NA')
information <- c('notimportant%%information%%morenotimportant', 'ignorethis%%wanted%%notthiseither')
df <- data.frame(information, empty)

解决方案 #

方法1：使用基础R的sub()函数

无需额外安装包，直接通过正则表达式实现：

# 提取%%之间的内容并更新empty列
df$empty <- sub(".*%%(.*)%%.*", "\\1", df$information)

• 正则逻辑：.*%%匹配第一组%%之前的所有内容，(.*)捕获两组%%之间的目标文本，%%.*匹配第二组%%之后的所有内容；\\1引用捕获到的目标文本完成替换。

方法2：使用stringr包（语法更直观）

stringr的字符串处理函数更简洁，适合快速实现需求：

# 若未安装stringr包，先执行安装
# install.packages("stringr")
library(stringr)

# 提取目标内容
df$empty <- str_extract(df$information, "(?<=%%).*?(?=%%)")

• 正则逻辑：(?<=%%)是正向后顾，确保目标文本前存在%%；.*?是非贪婪匹配，避免捕获多余内容；(?=%%)是正向前瞻，确保目标文本后存在%%，精准定位两组分隔符之间的内容。

处理后结果 #

执行任意一种方法后，df的empty列将更新为预期值：

print(df)
#                              information      empty
# 1 notimportant%%information%%morenotimportant information
# 2       ignorethis%%wanted%%notthiseither      wanted

内容的提问来源于stack exchange，提问作者Cameron