R中如何统计数据列内方括号包裹的带引号逗号分隔子字符串数量？

适用于输入为<p>['ax', 'byc', 'crm', 'dop']</p>这类被p标签包裹、内部子串用单引号包裹逗号分隔的类数组格式字符串，支持整列数据批量处理。

方案1：正则匹配统计法（推荐，仅统计数量时效率最高） #

直接匹配所有被单引号包裹的内容，统计匹配次数即可得到子串总数：

# 加载依赖包
library(stringr)

# 构造示例数据框
df <- data.frame(
  raw_str = c(
    "<p>['ax', 'byc', 'crm', 'dop']</p>",
    "<p>['a1', 'b2', 'c3']</p>",
    "<p>[]</p>"
  )
)

# 批量统计整列子串数量，结果存入新列
df$sub_count <- str_count(df$raw_str, "'[^']+'")

说明：正则'[^']+'匹配所有被单引号包裹的非空内容，示例中第一个字符串统计结果为4，空数组会返回0，完全符合需求。

方案2：解析成列表法（适合后续需要提取子串的场景） #

如果后续还要使用字符串内的子串内容，可以先把内容解析为R的列表再取长度：

library(stringr)
library(jsonlite)

df$sub_count <- sapply(df$raw_str, function(x) {
  # 提取中括号内的数组内容，把单引号转为双引号适配json格式
  arr_json <- str_replace_all(str_extract(x, "\\[.*\\]"), "'", '"')
  # 解析json后取长度
  length(fromJSON(arr_json))
})

注意事项 #

• 如果子串内容中包含单引号，建议使用方案2的json解析逻辑，避免正则匹配错误
• 两种方法都是向量化/批量处理逻辑，不需要手动写循环，可直接处理万级以上的列数据

内容的提问来源于stack exchange，提问作者user12460150