如何用dplyr::extract从字符列提取多组价格与单位到新列？

问题背景 #

现有一个格式混乱的字符列cost$k1，包含各种价格描述（单价格、多价格、附加说明等），需要从中提取最多4组带p/kWh单位的价格，分别存入新列k2、k3、k4、k5。

核心问题分析 #

你之前尝试的dplyr::extract()之所以失效，是因为它依赖正则捕获组匹配整个字符串的固定结构，但你的数据行格式完全不统一，没法用一个正则覆盖所有情况的分组匹配。更适合的思路是：先提取所有符合格式的价格，再将提取结果转成宽格式的多列。

解决方案代码 #

1. 加载所需包

library(dplyr)
library(stringr)
library(tidyr)

2. 提取并整理价格

# 提取每行中所有符合"数字+p/kWh"格式的价格，转成多列
cost_processed <- cost %>%
  # 提取所有匹配项，得到列表格式的列
  mutate(prices = str_extract_all(k1, "\\d+p/kWh")) %>%
  # 将列表列展开为多列，不足4组的填充NA
  unnest_wider(prices, names_sep = "") %>%
  # 重命名展开后的列为k2到k5
  rename_with(~paste0("k", 2:5), starts_with("prices"))

验证示例场景 #

• 原数据第4行（k1为"40p/kWh on bp pulse50 units. 50p/kWh on bp pulse150 units."）：

  cost_processed$k2[4] # 返回 "40p/kWh"
  cost_processed$k3[4] # 返回 "50p/kWh"
  

• 原数据第23行（k1为"Polar Subscription - 27p/kWh Polar Free Membership - 42p/kWh Contactless - 42p/kWh"）：

  cost_processed$k2[23] # 返回 "27p/kWh"
  cost_processed$k3[23] # 返回 "42p/kWh"
  cost_processed$k4[23] # 返回 "42p/kWh"
  

补充说明 #

• 正则\\d+p/kWh专门匹配带p/kWh单位的价格，自动忽略"Free"、固定费用（如£1.50）等无关内容；
• 若需要提取类似"40p - 20p/kWh"中的40p，可将正则调整为\\d+p(/kWh)?，但需根据实际需求判断；
• 处理后不足4组价格的行，对应列会自动填充NA，符合数据规范。

内容的提问来源于stack exchange，提问作者DJD