R语言使用str_extract提取指定区间编码生成数据框新列

你原有str_extract的提取逻辑可以直接复用，仅需调整正则匹配规则即可，对百万级数据量的运行效率无明显影响，且和你之前生成CODE_A列的匹配标准完全统一。

匹配规则说明 #

两列的匹配范围严格对齐需求：

• CODE_X：匹配两类编码，一是C开头、后缀数字覆盖000-999全区间的编码，二是D开头、后缀数字在000-499区间的编码
• CODE_Y：仅匹配D开头、后缀数字在500-999区间的编码
• 非目标区间的编码会自动返回NA（即留空），符合要求

实现代码 #

先确保已加载stringr包，再运行以下代码生成新列：

library(stringr)

# 提取C000-C999、D000-D499区间编码到CODE_X列
dados$CODE_X <- str_extract(
  dados$CODE,
  "(?i)\\b(?:C\\W*\\d{3}|D\\W*[0-4]\\d{2})\\b"
)

# 提取D500-D999区间编码到CODE_Y列
dados$CODE_Y <- str_extract(
  dados$CODE,
  "(?i)\\b(?:D\\W*[5-9]\\d{2})\\b"
)

正则逻辑说明 #

正则完全沿用了你之前写CODE_A时的兼容规则：

• 保留(?i)参数：不区分字母大小写，c001、d352这类小写开头的编码也可正常匹配
• 保留\\W*逻辑：兼容字母和数字之间存在非单词字符的场景，比如C 001、D-480这类格式不会漏匹配
• 新增末尾\\b单词边界：避免误匹配到超过3位数字的长编码（比如D4990、C1234这类不符合编码规则的值不会被提取）
• 数字区间判断逻辑：
  • C段直接匹配3位任意数字，全覆盖C000-C999区间
  • D000-D499段：匹配D后第一位数字为0-4、后两位为任意数字的组合，刚好覆盖000-499范围
  • D500-D999段：匹配D后第一位数字为5-9、后两位为任意数字的组合，刚好覆盖500-999范围

匹配效果验证 #

用你给出的Code示例值运行后，结果如下：

特殊场景适配 #

如果你的Code列存在数字位数不固定的编码（比如C1、D23这类不足3位的情况），可以将正则调整为以下版本，适配可变长度数字的匹配：

# 适配数字位数不固定的CODE_X提取规则
dados$CODE_X <- str_extract(dados$CODE, "(?i)\\b(?:C\\W*\\d+|D\\W*[0-4]\\d*)\\b")
# 适配数字位数不固定的CODE_Y提取规则
dados$CODE_Y <- str_extract(dados$CODE, "(?i)\\b(?:D\\W*[5-9]\\d*)\\b")

如果你的编码都是固定1位字母+3位数字的标准格式，优先使用前面的固定位数正则，匹配精度更高。

内容的提问来源于stack exchange，提问作者Lucas