如何在R中拆分后跟数字的不同长度元素名称字符串并添加下划线

问题根因 #

你当前使用的正则(?<=[a-z0-9])(?=[0-9A-Z])存在两个核心缺陷：

• 未覆盖大写字母后接数字的场景，导致V1.0这类单字母元素加占比的字符串无法拆分，元素与占比会连在一起
• 命中数字后接数字的场景，导致1.05这类连续占比会被误拆为1.0_5

修正代码实现 #

1. 下划线插入逻辑修正 #

调整正则规则，仅在两类合法位置插入下划线：

• 字母（无论大小写）后紧跟大写字母/数字的位置
• 数字/小数点后紧跟大写字母的位置
  对应R代码如下：

# 你的化合物列表
compounds <- c(
  "Ag0.05Zr1.0",
  "Al0.11W1.0",
  "Al0.18Cr1.0",
  "AlFe",
  "AlFe0.2NiCuCoCr",
  "AlFe0.2NiCuCoCz",
  "AlFeNi",
  "AlFeNiCo",
  "AlFeNiCrCo",
  "AlFeNiCrCoCu0.2",
  "AlFeNiCu0.2CoCr",
  "Cr1.0Mo0.33",
  "U0.33Zr1.0",
  "V0.33W1.0",
  "V1.0W1.0"
)

# 插入下划线
processed <- gsub("(?<=[A-Za-z])(?=[A-Z0-9])|(?<=[0-9.])(?=[A-Z])", "_", compounds, perl = TRUE)

处理后输出示例：

• V1.0W1.0 → V_1.0_W_1.0
• AlFe0.2NiCuCoCz → Al_Fe_0.2_Ni_Cu_Co_Cz
• 含连续占比的字符串Co1.0Cu1.0Fe1.05Nb0.56Ni1.0 → Co_1.0_Cu_1.0_Fe_1.05_Nb_0.56_Ni_1.0，完全符合预期。

2. 非法元素检测实现 #

先定义合法元素周期表列表，再提取每个化合物中的元素名做校验，不符合要求则输出指定格式的错误：

# 可根据需求补全所有元素周期表中的合法元素
valid_elements <- c("Ag", "Zr", "Al", "W", "Cr", "Fe", "Ni", "Cu", "Co", "Mo", "U", "V", "C")

for (i in seq_along(compounds)) {
  # 提取所有元素名（匹配大写字母开头+可选小写字母的规则）
  elems <- regmatches(compounds[i], gregexpr("[A-Z][a-z]?", compounds[i]))[[1]]
  # 校验合法性
  invalid <- setdiff(elems, valid_elements)
  if (length(invalid) > 0) {
    for (e in invalid) {
      cat(sprintf("Error: Element '%s' in compound %s entered does not exist!\n", e, compounds[i]))
    }
  }
}

运行后会输出指定格式的错误：

Error: Element 'Cz' in compound AlFe0.2NiCuCoCz entered does not exist!

内容的提问来源于stack exchange，提问作者user16754004