在R中如何提取dataframe字符串内数字前的大写国家缩写

实现思路 #

• 先将每行所有列的字符串拼接为一个完整字符串，避免跨列匹配遗漏
• 基于给定的国家缩写列表构造正则匹配规则，捕获数字前最近出现的目标大写国家缩写
• 按行遍历处理后将结果存入新列

完整代码 #

首先构造示例数据与国家代码向量：

TD <- data.frame(
  a = c("WHATEVERDE 11111","","Whatever DE 11111","DE 11111",""), 
  b = c("","What DE EverDE 1111","","",""),
  c = c("Whatever","","","","WhateverDE 11111")
)

# 避免和R内置函数names重名，将国家代码向量重命名为country_codes
country_codes <- c('AT','BE','DE','BG','CZ','DK','FR','GR','ES','NL','HU','GB','IT')

核心处理逻辑：

# 构造匹配正则：贪婪匹配到数字前最近的目标国家大写缩写
pattern <- paste0(".*(", paste(country_codes, collapse = "|"), ")[^0-9]*\\d.*")

# 按行处理提取结果
TD$result <- apply(TD, 1, function(row) {
  row_total <- paste(row, collapse = " ")
  ifelse(grepl(pattern, row_total), sub(pattern, "\\1", row_total), "")
})

输出验证 #

打印处理后的TD即可得到和预期完全一致的结果：

> TD
                  a                   b                c result
1  WHATEVERDE 11111                             Whatever     DE
2                   What DE EverDE 1111                  DE
3 Whatever DE 11111                                              DE
4          DE 11111                                              DE
5                                       WhateverDE 11111     DE

正则说明 #

• .* 为贪婪匹配，会优先匹配最长的前缀，确保捕获的是数字前最后一个出现的目标国家缩写
• 括号()内为所有目标国家缩写的可选集合
• [^0-9]* 匹配国家缩写和数字之间所有的非数字字符（包括空格、其他字母等）
• \\d 匹配后续的数字，确保捕获的国家缩写位于数字之前

内容的提问来源于stack exchange，提问作者Zizou