R语言如何按双条件拆分同一列中不同格式的字符串？

核心思路 #

• 先逐行检测字符串是否包含docx关键词
• 根据检测结果动态匹配对应的拆分分隔符
• 逐行应用对应分隔符完成拆分

基础R实现代码 #

示例数据构造 #

data = data.frame(
  string = c("HFUFN-087836_661", "207465-125 - IK_6 Mar 2009.docx_37484956")
)

拆分逻辑实现 #

# 检测每个字符串是否包含docx，动态生成拆分规则
split_pattern <- ifelse(grepl("docx", data$string), "x_", "_")
# 逐行应用对应拆分规则
split_res <- mapply(strsplit, x = data$string, split = split_pattern)
# 将拆分结果转为两列数据框
data_split <- data.frame(
  part1 = sapply(split_res, function(x) x[1]),
  part2 = sapply(split_res, function(x) x[2])
)

优化说明 #

如果需要保留docx的完整后缀，避免拆分后丢失末尾的x字符，可以把docx对应的拆分符替换为正则正向后视断言：

# 含docx的字符串按docx后的_拆分，保留完整docx后缀
split_pattern <- ifelse(grepl("docx", data$string), "(?<=docx)_", "_")
# 拆分时需要开启perl正则支持
split_res <- mapply(strsplit, x = data$string, split = split_pattern, perl = TRUE)

Tidyverse风格实现（可选） #

如果你习惯使用tidyverse系列工具，也可以用separate函数实现：

library(tidyverse)
data %>%
  separate(
    col = string,
    into = c("part1", "part2"),
    sep = if_else(str_detect(string, "docx"), "(?<=docx)_", "_"),
    extra = "merge",
    perl = TRUE
  )

输出结果示例 #

使用优化后的正则拆分后，得到的结果如下：

内容的提问来源于stack exchange，提问作者T K