如何在R中使用正则表达式提取字符格式数值并过滤非数值项

针对你的grouped_df类型数据集，结合dplyr分组操作和正则表达式，可以快速提取mappedTerm列中的字符格式数值，移除非数值内容，具体实现如下：

核心思路 #

用正则表达式匹配纯数字序列，结合dplyr的分组数据处理能力，对每个分组的mappedTerm列进行清洗。

代码实现 #

首先加载必要的工具包：

library(dplyr)
library(stringr)

基础提取（提取首个连续数字） #

提取mappedTerm中第一个连续的数字序列，非数值内容会被替换为NA：

processed_data <- grouped_df %>%
  mutate(
    # 提取首个数字序列，无匹配则返回NA
    numeric_mapped = str_extract(mappedTerm, "\\d+")
  )

进阶处理 #

• 提取所有数字并拼接：如果mappedTerm中存在分散的数字（比如"Rural3Urban5"），可以提取所有数字并拼接成完整数值：

processed_data <- grouped_df %>%
  mutate(
    numeric_mapped = str_c(str_extract_all(mappedTerm, "\\d+")[[1]], collapse = "")
  )

• 匹配小数数值：如果需要提取带小数的数值（比如"2.7"），修改正则表达式：

processed_data <- grouped_df %>%
  mutate(
    numeric_mapped = str_extract(mappedTerm, "\\d+\\.?\\d*")
  )

• 转换为数值类型：把提取到的字符型数值转为数值类型，方便后续分析：

processed_data <- grouped_df %>%
  mutate(
    numeric_mapped = as.numeric(str_extract(mappedTerm, "\\d+"))
  )

移除无数值的行（可选） #

如果需要过滤掉没有提取到数值的行，添加filter操作：

processed_data <- grouped_df %>%
  mutate(
    numeric_mapped = as.numeric(str_extract(mappedTerm, "\\d+"))
  ) %>%
  filter(!is.na(numeric_mapped))

正则说明 #

• \\d+：匹配1个或多个数字字符（0-9）
• \\d+\\.?\\d*：匹配整数或小数，允许小数点后有0个或多个数字

内容的提问来源于stack exchange，提问作者Rstudyer