R语言物种编码生成优化：替代str_match与正则整合问询

问题(a)：stringr中替代str_match的简化方案 #

当然有，str_extract + 字符串拼接或者str_replace配合匿名函数都能比str_match更简洁地完成提取与拼接，避免处理str_match返回的矩阵。

方案1：分步骤提取后拼接 #

先分别提取属名前4字符、种名部分（处理spp.→sp.后取前3），再直接拼接：

library(stringr)

# 示例数据
df <- tibble::tibble(
  species = c("Quercus robur", "Pinus sylvestris", "Acer sp.", "Fagus spp.", "Salix alba var. vitellina")
)

# 提取属名前4字符
genus_part <- str_extract(df$species, "^\\w{4}")
# 提取种名部分、替换spp.为sp.、截取前3字符
species_part <- df$species %>%
  str_extract("(?<=\\s)(spp\\.|sp\\.|\\w+)") %>%
  str_replace("spp\\.", "sp\\.") %>%
  str_sub(1, 3)

# 拼接生成编码
df$species_code <- str_c(genus_part, species_part)

方案2：一步用str_replace回调函数 #

利用str_replace的正则捕获组和匿名函数，在单次调用中完成所有逻辑：

df$species_code <- str_replace(df$species,
                               "^(\\w{4})\\s+(spp\\.|sp\\.|(\\w+))",
                               function(match) {
                                 # 处理种名部分：替换spp.为sp.，截取前3字符
                                 sp_segment <- ifelse(match[2] == "spp.", "sp.",
                                                     ifelse(match[2] == "sp.", "sp.",
                                                            str_sub(match[3], 1, 3)))
                                 # 拼接属名和处理后的种名
                                 str_c(match[1], sp_segment)
                               })

问题(b)：将spp.→sp.整合进正则逻辑 #

完全可以，有两种思路：

1. 正则捕获组分支匹配：在匹配种名部分时，同时匹配spp.和sp.，在回调函数中统一替换为sp.
2. 先正则替换spp.再处理截取：用str_replace先把所有spp.替换为sp.，再执行提取拼接

整合后的正则示例（方案1） #

df$species_code <- str_replace(df$species,
                               # 正则捕获：属名前4字符 + 种名部分（含sp./spp./正常种名）
                               "^(\\w{4})\\s+(?:spp\\.|sp\\.|(\\w+))",
                               function(m) {
                                 # 种名部分处理：若匹配到spp./sp.则用sp.，否则取前3字符
                                 sp_part <- case_when(
                                   grepl("spp\\.|sp\\.", m[2]) ~ "sp.",
                                   TRUE ~ str_sub(m[2], 1, 3)
                                 )
                                 str_c(m[1], sp_part)
                               })

整合后的正则示例（方案2） #

df$species_code <- df$species %>%
  # 先统一替换spp.为sp.
  str_replace("\\s+spp\\.", " sp.") %>%
  # 提取属名前4 + 种名前3拼接
  str_replace("^(\\w{4})\\s+(\\w{1,3}).*", "\\1\\2")

示例结果 #

处理后的数据框如下：

内容的提问来源于stack exchange，提问作者Stefan