R语言中从Series ID提取对应stateid并生成新变量的方法

问题场景 #

现有包含seriesid列的数据框，每个seriesid字符串的SMU后两位对应州ID（stateid）；同时有一个存储所有合法stateid的向量，需将每个seriesid对应的stateid提取为数据框新列。

示例数据 #

df <- data.frame(seriesid = c("SMU01000002000000001", "SMU01000002000000001", 
                 "SMU02000002000000001", "SMU04000002000000001", 
                 "SMU04000002000000001", "SMU09000002000000001"))
stateid <- c(1:2, 4:6, 8:13)
stateid[stateid<10] <- paste0('0', stateid[stateid<10])

实现方案 #

方法1：直接提取固定位置子串（高效简洁）

由于stateid固定在SMU后的两位（字符串第4-5位，R语言字符串索引从1开始），直接用substr()函数提取：

df$stateid <- substr(df$seriesid, start = 4, stop = 5)

执行后结果如下：

> df
                 seriesid stateid
1 SMU01000002000000001      01
2 SMU01000002000000001      01
3 SMU02000002000000001      02
4 SMU04000002000000001      04
5 SMU04000002000000001      04
6 SMU09000002000000001      09

方法2：匹配预定义stateid向量（合法性校验）

如果需要确保提取的stateid属于预定义的合法列表，可通过正则匹配实现：

# 生成匹配正则：匹配SMU后接合法stateid的模式
pattern <- paste0("SMU(", paste(stateid, collapse = "|"), ")")
# 提取匹配到的stateid
df$stateid <- sub(pattern, "\\1", df$seriesid)

该方法仅提取预定义stateid列表中的值，若seriesid中的stateid不在列表内，会保留原字符串（可根据需求调整异常处理逻辑）。

内容的提问来源于stack exchange，提问作者sstewart