R语言正则表达式提取开头大写职业字符串问题求助

问题描述 #

现有如下脏数据，需要提取字符串开头的大写内容（对应人员职业）：

期望提取结果：

当前使用的代码无法适配所有情况：

data.frame %>%
  mutate(job = str_extract(string, "[[:upper:]]{2,}.+\\W"))

存在的问题：

• A1会错误包含末尾的.，无法精准截断到AGRO
• A3无法完整提取ARCHITECTURE，匹配逻辑不符合结构

解决方案 #

使用精准正则匹配开头连续的大写内容（涵盖带重音的大写字母、连字符、空格分隔的结构），直到遇到数字或小写字母为止。

正则表达式说明 #

^[[:upper:ÉÀÈÙÊÎÔÛÄËÏÖÜ]+(?:[- ]?[[:upper:ÉÀÈÙÊÎÔÛÄËÏÖÜ]+)*

• ^：锁定字符串开头位置
• [[:upper:ÉÀÈÙÊÎÔÛÄËÏÖÜ]+：匹配至少一个大写字母（含法语带重音的大写字符）
• (?:[- ]?[[:upper:ÉÀÈÙÊÎÔÛÄËÏÖÜ]+)*：非捕获组，匹配可选的连字符/空格后接大写字母的组合，可重复多次，确保连字符连接、空格分隔的大写词都能被完整捕获

完整代码示例 #

library(dplyr)
library(stringr)

# 示例数据框
df <- data.frame(ID = c("A1", "A2", "A3"),
                 Strings = c("INGÉNIEUR AGRO. (+ DEA pédologie + IAE). 27 ans whatever whatever.",
                             "ARCHITECTE DPLG 29 ans. 6 ans d’exp. prof, blablablabla",
                             "PROJETEUR-COMPOSITEUR- ARCHITECTURE 32 ans."))

# 提取职业内容
df <- df %>%
  mutate(job = str_extract(Strings, "^[[:upper:ÉÀÈÙÊÎÔÛÄËÏÖÜ]+(?:[- ]?[[:upper:ÉÀÈÙÊÎÔÛÄËÏÖÜ]+)*"))

# 输出结果
print(df)

运行后输出结果：

ID                                                                 Strings                                  job
1 A1 INGÉNIEUR AGRO. (+ DEA pédologie + IAE). 27 ans whatever whatever.                          INGÉNIEUR AGRO
2 A2                  ARCHITECTE DPLG 29 ans. 6 ans d’exp. prof, blablablabla                          ARCHITECTE DPLG
3 A3                          PROJETEUR-COMPOSITEUR- ARCHITECTURE 32 ans. PROJETEUR-COMPOSITEUR- ARCHITECTURE

补充说明 #

如果后续遇到其他特殊符号的大写职业结构，可在字符组[[:upper:ÉÀÈÙÊÎÔÛÄËÏÖÜ]]中添加对应符号（如.需转义），当前正则已覆盖示例所有场景。

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