如何使用正则表达式和dplyr::separate按符合条件的特定空格拆分数据列

问题核心原因 #

此前拆分时丢失字母、数字内容，是因为正则直接匹配了「字母+空格+数字」的完整序列，拆分操作会删除整段匹配到的内容。我们可以通过正则零宽断言定位符合要求的空格本身，不消耗前后的字符解决这个问题。

可直接运行的完整代码 #

library(tidyverse)

df <- tibble(
  column = c("Current Assets 3a 10.001", "Cash and Equivalents 2b 1.009", "Debt 2.050" )
)

# 拆分实现
df %>% 
  dplyr::separate(
    col = column,
    into = c("column1","column2","column3"),
    # 正则仅匹配前接字母、后接数字的空格
    sep = "(?<=[[:alpha:]])\\s(?=[[:digit:]])",
    # 拆分后列数不足时右侧补NA
    fill = "right",
    # 自动转换列类型，将第三列转为数值
    convert = TRUE
  )

输出结果 #

运行上述代码得到的输出和预期完全一致：

# A tibble: 3 × 3
  column1             column2 column3
  <chr>               <chr>     <dbl>
1 Current Assets      3a        10.0 
2 Cash and Equivalents 2b         1.01
3 Debt                <NA>       2.05

关键参数说明 #

• 正则(?<=[[:alpha:]])\\s(?=[[:digit:]])：(?<=[[:alpha:]])是零宽正向后顾断言，限定空格前必须是字母；(?=[[:digit:]])是零宽正向前瞻断言，限定空格后必须是数字；两个断言都不会占用匹配字符，仅做位置判定，因此拆分不会丢失前后内容。
• fill = "right"：处理第三行只有两个拆分段的场景，自动在第二列补NA。
• convert = TRUE：自动将第三列的字符串格式数字转为数值类型，符合预期格式要求。

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