R语言如何从包含5位/9位邮编的地址字符串中提取州名缩写

问题原因 #

你当前使用的正则存在两个限制：

• 正向前瞻仅匹配5位纯数字邮编，没有覆盖XXXXX-XXXX格式的9位邮编场景
• 末尾的$要求邮编必须在字符串末尾，无法适配邮编后跟随国家名/国家缩写的地址格式

修改后代码 #

df$state <- str_extract(df$address, "\\b[A-Z]{2}(?=\\s+\\d{5}(?:-\\d{4})?)")

正则说明 #

• \\b 匹配单词边界，避免两个大写字母是其他单词的组成部分
• [A-Z]{2} 匹配连续两个大写字母，符合美国州名缩写的通用规则
• 正向前瞻(?=\\s+\\d{5}(?:-\\d{4})?)用于限定匹配规则：
  • \\s+ 匹配州名缩写和邮编之间的一个或多个空白字符
  • \\d{5} 匹配邮编的前5位固定数字
  • (?:-\\d{4})? 为非捕获可选组，匹配短横线加4位数字的9位邮编后缀，?表示该部分可出现0次或1次，同时兼容5位和9位邮编

可选优化（降低误匹配概率） #

如果要避免匹配到地址中其他非州名的两个大写字母组合，可以添加州名缩写校验逻辑：

# 美国标准州缩写列表可按需补充海外领地缩写
state_abbr <- c("AL", "AK", "AZ", "AR", "CA", "CO", "CT", "DE", "FL", "GA", 
                "HI", "ID", "IL", "IN", "IA", "KS", "KY", "LA", "ME", "MD", 
                "MA", "MI", "MN", "MS", "MO", "MT", "NE", "NV", "NH", "NJ", 
                "NM", "NY", "NC", "ND", "OH", "OK", "OR", "PA", "RI", "SC", 
                "SD", "TN", "TX", "UT", "VT", "VA", "WA", "WV", "WI", "WY")
# 过滤无效匹配
df$state <- ifelse(df$state %in% state_abbr, df$state, NA_character_)

内容的提问来源于stack exchange，提问作者Ash Levitt