R语言匹配指定词列表与文本并提取匹配值生成新列问题

错误原因 #

你原代码的问题出在两个地方：

• R字符串中反斜杠需要额外转义，正则的单词边界标识\b要写成\\b才能被正确识别
• 你直接将单词向量和边界拼接，会生成和自定义词列表长度一致的5个独立正则规则，str_extract_all会对每个规则单独执行一次匹配，所以返回了长度为5的列表，不符合预期

正确实现代码 #

# 加载依赖包
library(stringr)

# 构造统一的匹配正则：所有自定义词用|分隔，整体包裹单词边界
match_pattern <- paste0("\\b(", paste(words, collapse = "|"), ")\\b")

# 逐行提取匹配结果，无匹配时返回NA
df$Word <- lapply(df$Text, function(x) {
  match_res <- unlist(str_extract_all(x, match_pattern))
  return(ifelse(length(match_res) == 0, NA, match_res))
})

执行后df$Word的结果完全符合你的预期：

• 第1行返回c("car", "car")
• 第2行返回c("ball", "ball", "street")
• 第3行无匹配返回NA

提示：如果你的自定义词列表包含.、*、?这类正则特殊字符，构造拼接词段前可以先用str_escape()处理单词，避免正则解析错误：

paste(str_escape(words), collapse = "|")

内容的提问来源于stack exchange，提问作者onhalu