R语言处理亚马逊销售排名字符串：提取指定排名整数

准备工作 #

先确保安装并加载stringr包（tidyverse生态的一部分，字符串处理语法更直观）：

# 未安装则先执行
# install.packages("stringr")
library(stringr)

步骤1：清理并拆分排名条目 #

先处理原始数据中的换行符（示例数据含换行，实际场景也可能遇到），再按分号拆分每个商品的多个排名条目：

# 构造示例数据集
df <- data.frame(
  rank = c(">#316,475 in Cell Phones & Accessories ;>#1,908 in Cell Phones & Accessories > Cell Phone Accessories > Headphones > On-Ear Headphones;#3,410 in Cell Phones & Accessories > Cell Phone Accessories > Headphones > Over-Ear Headphones;#52,046 in Electronics > Portable Audio & Video > MP3 & MP4 Player Accessories", "...")
)

# 清理换行符，将每个商品的排名拆分为条目列表
df$rank_items <- str_split(str_replace_all(df$rank, "\\n", " "), ";")

步骤2：筛选目标分类的排名条目 #

假设要筛选包含On-Ear Headphones的排名条目，用str_detect匹配关键词：

# 定义目标分类关键词
target_category <- "On-Ear Headphones"

# 从每个商品的排名条目中筛选匹配项
df$target_rank_entry <- sapply(df$rank_items, function(items) {
  items[str_detect(items, target_category)]
})

步骤3：提取排名整数数值 #

从筛选出的条目中提取带逗号的数字，移除逗号后转换为整数：

# 提取并转换排名数值
df$rank_number <- sapply(df$target_rank_entry, function(entry) {
  if(length(entry) == 0) {
    NA  # 无匹配条目时返回NA
  } else {
    # 提取数字部分，去掉#和逗号，转整数
    as.integer(str_remove_all(str_extract(entry, "#\\d+,\\d+"), "#|,"))
  }
})

结果示例 #

运行后df$rank_number列会得到目标分类的排名数值，比如示例中第一个商品的结果为1908。

扩展说明 #

• 更换目标分类只需修改target_category的值
• 若排名数字无逗号，可简化提取逻辑：as.integer(str_remove(str_extract(entry, "#\\d+"), "#"))
• 批量处理多分类可结合purrr包实现循环筛选

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