R语言数据框处理：拆分State列保留州名、提取年份至新列

数据框的State列混合存储了三类信息：州名、HB/HF法案编号、法律生效日期。需要实现两个需求：

• 处理后State列仅保留州名
• 新增一列存储对应法律的生效年份

现有预处理代码如下：

Mintz = read.csv('https://github.com/bandcar/mintz/raw/main/State%20Legislation%20on%20Biosimilars2.csv')
mintz = Mintz

# 删除第二列为空值的行
mintz = mintz[mintz$Substitution.Requirements != "", ]

# 删除第一列值为"State"的冗余表头行
mintz=mintz[mintz$State != "State", ]

# 重置行号
mintz= mintz %>% data.frame(row.names = 1:nrow(.)) 

# 删除第34行的波多黎各（PR，非美国州级单位）
mintz = mintz[-34,]

# 重置行号
mintz= mintz %>% data.frame(row.names = 1:nrow(.)) 

最初判断可以用strsplit()搭配gsub()实现需求，但因为State列内容没有固定分隔符，不清楚具体编写逻辑。

问题补充 #

目前仍未实现State列仅保留州名的需求。
关于年份提取，找到了一段可运行代码，但不理解其生效逻辑，且存在异常：

mintz2 = mintz
mintz2$Year = sub('.*(\\d{4}).*', '\\1', mintz2$State)

疑问点：

• 之前认知里\d是匹配字面字符，.匹配单个字符，无法理解\1的含义
• 第20行明尼苏达州的数据没有对应年份时，代码提取到了非数字字符，和\d仅匹配数字的认知冲突

正则代码原理解释 #

你对正则语法的认知存在几个偏差，先逐点说明：

• 正则中\d不是匹配字面字符"d"，而是匹配0-9的任意单个数字，在R的字符串语法中需要写双反斜杠\\d才能表示正则转义的\d
• 正则中.匹配任意单个字符，.*表示匹配任意长度（包含0长度）的任意字符
• 小括号()在正则中表示捕获组，会把括号内匹配到的内容临时存储，替换字符串里的\\1就是引用第一个捕获组存储的匹配内容

你找到的这行代码逻辑是：匹配「任意前缀 + 连续4位数字 + 任意后缀」的整段字符串，把整段内容替换为捕获组抓到的4位连续数字，也就是年份。
明尼苏达行出现非数字结果的原因很简单：如果字符串里找不到符合规则的匹配项，sub()不会执行替换，会直接返回原始字符串，自然就会出现非数字的结果。

修复年份提取逻辑 #

要解决无匹配时返回原字符串的问题，加一层匹配判断即可，找不到4位连续数字时返回NA：

# 方法1：用stringr包的str_extract，无匹配默认返回NA，代码更简洁
library(stringr)
mintz$Year = as.integer(str_extract(mintz$State, "\\d{4}"))

# 方法2：基础R实现，不需要额外装包
mintz$Year = ifelse(
  grepl("\\d{4}", mintz$State),
  as.integer(sub('.*(\\d{4}).*', '\\1', mintz$State)),
  NA_integer_
)

提取纯净州名 #

观察State列的内容规律：所有州名都是纯英文字母（包含空格），后续的法案编号、生效日期都是从第一个数字，或者HB/HF/SB这类法案前缀开头的。只要把第一个数字/法案前缀及其之后的所有内容清空，再去掉首尾多余空格即可：

# 匹配第一个出现的数字、HB/HF/SB标识，将该位置及之后的所有内容替换为空
mintz$State = trimws(sub("(\\d|HB|HF|SB).*", "", mintz$State))

运行后逐行检查即可确认，所有州名都被正确提取，没有残留法案编号或日期内容。

内容的提问来源于stack exchange，提问作者bandcar