如何用正则表达式删除以句号结尾的单词？含罗马数字后缀处理需求

问题分析 #

你原来的正则表达式逻辑有误，导致无法正确删除目标后缀：

1. 最初的str_extract(x, ".*[^\\s.*\\.$]")只是去掉了后缀末尾的句号（比如把Jr.变成Jr），而非整个后缀单词——因为[^...]是字符集合，仅排除单个字符，而非匹配整个后缀结构。
2. 尝试的罗马数字正则[^(\\s.*\\.$)|(\\sI{2}+)]完全错误：方括号内是字符集合，分组(...)和竖线|会被当作普通字符处理，根本无法匹配罗马数字后缀。

正确解决方案 #

使用stringr包的str_remove_all函数，直接匹配并删除末尾的两类后缀（以句号结尾的单词、罗马数字），代码如下：

library(stringr)

names <- c("John max Jr.", "manuel cortez", "samuel III", "Jameson")

# 清理后缀：匹配末尾的" 后缀."或" 罗马数字"并删除
clean_names <- str_remove_all(names, "\\s+(?:\\w+\\.|M{0,4}(?:CM|CD|D?C{0,3})(?:XC|XL|L?X{0,3})(?:IX|IV|V?I{0,3}))$")

# 输出结果
clean_names

运行后输出符合预期：

[1] "John max"      "manuel cortez" "samuel"        "Jameson"

正则表达式解释 #

• \\s+：匹配后缀前的一个或多个空格，确保只处理末尾的后缀，不影响姓名中间的空格。
• (?:...)：非捕获分组，用来将两种后缀规则合并，避免生成额外的匹配分组。
  • \\w+\\.：匹配以句号结尾的单词（如Jr.、Sr.）。
  • M{0,4}(?:CM|CD|D?C{0,3})(?:XC|XL|L?X{0,3})(?:IX|IV|V?I{0,3})：匹配1-3999范围内的罗马数字，覆盖常见的后缀如II、III、IV等。
• $：锚定到字符串末尾，确保只删除位于姓名最后的后缀。

备选：用str_extract实现 #

如果你坚持用str_extract，可以匹配需要保留的姓名部分，正则改为：

str_extract(names, "^.*?(?=\\s+(?:\\w+\\.|[IVXLCDM]+)$|$)")

这个正则用正向预查(?=...)判断末尾是否存在目标后缀，匹配到后缀前的部分；|$确保没有后缀的姓名能完整保留。

内容的提问来源于stack exchange，提问作者Sara Nicholson