R语言如何提取文本行核心品牌字段并分组汇总采购量

通过「文本清洗提取核心品牌名+分组聚合」两步即可实现需求，以下给出两种可直接运行的常用实现方式：

方法1：tidyverse 方案（日常数据处理首选） #

适合已经在用dplyr做数据处理的场景，代码可读性高：

library(dplyr)
library(stringr)

# 构造示例原始数据集
df <- data.frame(
  brand = c("Bakoma Bio", "Bakoma Non Bio", "Dorritos Bio", "Dorritos Non Bio"),
  purchase_qty = c(2, 1, 2, 3)
)

# 清洗品牌名并分组求和
stat_result <- df %>%
  mutate(
    # 正则匹配字符串末尾的" Bio"或" Non Bio"后缀，替换为空得到核心品牌名
    core_brand = str_remove(brand, "\\s(Non\\s)?Bio$")
  ) %>%
  group_by(core_brand) %>%
  summarise(total_purchase = sum(purchase_qty), .groups = "drop")

运行后stat_result的输出完全符合预期：

core_brand total_purchase
1     Bakoma              3
2   Dorritos              5

方法2：Base R 方案（无需安装额外依赖） #

不想加载第三方包时可以直接用R原生函数实现，逻辑完全一致：

# 构造示例数据集
df <- data.frame(
  brand = c("Bakoma Bio", "Bakoma Non Bio", "Dorritos Bio", "Dorritos Non Bio"),
  purchase_qty = c(2, 1, 2, 3)
)

# 清洗提取核心品牌名
df$core_brand <- sub("\\s(Non\\s)?Bio$", "", df$brand)
# 按核心品牌分组求和
stat_result <- aggregate(purchase_qty ~ core_brand, data = df, FUN = sum)

关键注意事项 #

• 正则规则必须加末尾匹配符$：保证只删除字符串末尾的后缀，不会误删品牌名本身带有的Bio相关字符，比如品牌名Biopharm不会被错误截断。
• 如果数据里后缀存在大小写混乱（比如bio、NON BIO），可以给正则加忽略大小写参数：tidyverse版本写法为str_remove(brand, regex("\\s(Non\\s)?Bio$", ignore_case = TRUE))，base R版本可以在sub函数里加ignore.case = TRUE参数。

内容的提问来源于stack exchange，提问作者Fendi