R语言如何使用正则表达式提取下划线分段字符串的指定前缀

问题规则 #

待处理字符串统一格式为[string]_[string+number]_[someinfo]，需提取前两部分[string]_[string+number]，要求提取片段不计入下划线的字符总长度范围为8-20，无固定单段字符长度。
示例输入：

x = c('XY_ABCD101_12_ACE', 'XZ_ACC122_100_BAN', 'XT_AAEEE100_12345_ABC', 'XKY_BBAAUUU124_100')

期望输出：

c('XY_ABCD101', 'XZ_ACC122', 'XT_AAEEE100', 'XKY_BBAAUUU124')

可用实现方式 #

1. 基础R无依赖实现（通用场景推荐） #

直接用基础包自带的sub()函数做正则替换，不需要加载第三方包，处理长向量效率高：

x1 <- sub("^([A-Za-z]+_[A-Za-z0-9]+)_.+", "\\1", x)

正则逻辑说明：

• ^ 锚定字符串开头，避免从中间位置误匹配
• 捕获组([A-Za-z]+_[A-Za-z0-9]+)匹配前两段：第一段为纯字母字符串，第二段为字母+数字混合字符串，中间用下划线连接
• _.+匹配第二个下划线及其后所有冗余内容
• 替换参数\\1代表保留第一个捕获组的匹配结果，即需要的目标片段

2. 严格长度校验版本（适合存在异常格式数据的场景） #

如果需要严格遵守「不计下划线总长度8-20」的规则，增加正向预查做长度校验，避免不符合长度要求的异常值被误提取：

x1_strict <- sub("^(?=.{9,21}_)([A-Za-z]+_[A-Za-z0-9]+)_.+", "\\1", x, perl = TRUE)

长度校验逻辑：前两段加中间下划线的总长度 = 无下划线字符长度 + 1，因此无下划线长度8对应总长度9、无下划线长度20对应总长度21，(?=.{9,21}_)会预查第二个下划线前的内容长度是否在9-21区间，不符合则不会匹配。

3. stringr包简洁写法（适合tidyverse工作流） #

如果日常使用tidyverse系列工具，可以用stringr::str_extract()直接提取目标片段，不需要做替换操作：

library(stringr)
x1 <- str_extract(x, "^[A-Za-z]+_[A-Za-z0-9]+(?=_)")

这里用零宽正向断言(?=_)定位第二个下划线的位置，直接提取该位置前符合规则的前两段内容。

结果验证 #

运行上述任意一种方法后，打印x1均可得到符合预期的结果：

> print(x1)
[1] "XY_ABCD101"     "XZ_ACC122"      "XT_AAEEE100"    "XKY_BBAAUUU124"

内容的提问来源于stack exchange，提问作者user177196