如何删除数据列中第二个下划线_后的内容以提取物种名称？

你写的替换规则存在两个问题，导致结果不符合预期：

• 正则中.仅匹配任意单个字符，你写的^([^_]*_[^_]*).规则，在捕获到第二个下划线前的物种名前缀后，仅会匹配、删除第二个下划线后的1个字符，后面剩余的登录号内容完全没有被匹配到，自然不会被清除。
• R语言字符串中反斜杠属于转义符，正则反向引用的\1如果直接写在字符串里会被转义解析失败，需要写成\\1才能被正则引擎正确识别。

方案1：修正原有正则逻辑（改动最小） #

只需要把匹配后缀的单个.改成匹配任意长度任意字符的.*，同时修正反向引用的转义即可，代码如下：

# 假设待处理的列是数据框df中名为col的列，处理结果存入新列species
df$species <- sub("^([^_]*_[^_]*).*", "\\1", df$col)

对示例值的测试效果：

• 输入Ablepharus_kitaibelii_AY561364.1，输出Ablepharus_kitaibelii
• 输入Acanthodactylus_scutellatus_KX297057.1，输出Acanthodactylus_scutellatus

方案2：按下划线分割取前两段（逻辑更直观，不易写错） #

如果不想纠结正则写法，也可以直接按下划线切割字符串，取前两段拼接即可：

# 基础R写法，不需要加载额外包
df$species <- sapply(strsplit(df$col, "_"), \(x) paste(x[1], x[2], sep = "_"))

# 如果使用stringr包，写法更简洁
library(stringr)
df$species <- word(df$col, 1, 2, sep = "_")

• 这里用sub即可，不需要用gsub：sub只会对每个字符串匹配一次规则，完全满足当前需求，运行效率更高。
• 如果后续遇到物种名存在亚种、也就是有3段下划线前缀的场景，只需要调整正则捕获组或者分割后取的段数即可，逻辑通用。

内容的提问来源于stack exchange，提问作者Tom Peters