R语言去除数据框字符串内重复驼峰命名机构名称的更优雅实现方案

核心优化思路 #

原方案通过生成多列中间变量判断重复，可直接用正则表达式的零宽断言和捕获组功能，2行核心代码完成需求，同时适配带后缀的场景。 #

完整实现代码 #

依赖包 #

只需要用到stringr和dplyr，习惯用基础R也可换成gsub实现同等逻辑。

library(stringr)
library(dplyr)

基础场景解法（无后缀） #

# 构造测试数据
df <- data.frame(
  id=1:4, 
  org=c("Alpha Company", "Bravo InstituteBravo Institute", "Charlie Group", "Delta IncorporatedDelta Incorporated")
)

# 清洗逻辑
df_clean <- df %>%
  mutate(
    # 拆分驼峰：仅在小写字母接大写字母的位置插入空格，不破坏原有正常格式
    org_split = str_replace_all(org, "(?<=[a-z])(?=[A-Z])", " "),
    # 去重复：如果整个字符串是相同内容重复两次，直接替换为单次内容
    org_fix = str_replace(org_split, "^(.+)\\1$", "\\1")
  ) %>%
  # 保留需要的列
  select(id, org = org_fix)

附加场景解法（适配, LLC等后缀） #

上述代码完全兼容带后缀的场景，不需要修改逻辑，直接运行即可：

# 构造带后缀的测试数据
df2 <- data.frame(
  id=1:4, 
  org=c("Alpha Company, LLC", "Bravo InstituteBravo Institute", "Charlie Group", "Delta IncorporatedDelta Incorporated")
)

# 复用同样的清洗逻辑
df2_clean <- df2 %>%
  mutate(
    org_split = str_replace_all(org, "(?<=[a-z])(?=[A-Z])", " "),
    org_fix = str_replace(org_split, "^(.+)\\1$", "\\1")
  ) %>%
  select(id, org = org_fix)

逻辑说明 #

1. 驼峰拆分逻辑：用零宽断言(?<=[a-z])(?=[A-Z])匹配小写字母和大写字母的交界位置插入空格，不会修改, LLC这类后缀里的大写字母，解决了原有gsub误加空格的问题。
2. 去重逻辑：用正则^(.+)\\1$直接匹配「整个字符串由相同内容连续重复两次组成」的情况，用捕获组直接提取单次内容，不需要额外生成中间列判断重复，代码更精简高效。

内容的提问来源于stack exchange，提问作者Shawn Janzen