在R中如何识别字符串中混杂的数字并修正OCR生成的错误数值格式

核心思路 #

先通过正则规则统一两种输入的格式，消除原有千分位点和小数分隔点的歧义，再拆分重组得到符合要求的数值串。

实现代码 #

library(stringr)

process_ocr_num <- function(x) {
  # 将千分位位置的点替换为空格，统一千分位分隔符格式
  x <- str_replace_all(x, "\\.(?=\\d+,)", " ")
  # 将小数位位置的点替换为逗号，统一小数分隔符格式
  x <- str_replace_all(x, "\\.(?=\\d{2}( |$))", ",")
  # 按空格拆分得到所有独立片段
  parts <- str_split(x, " +")[[1]]
  # 两两片段拼接，中间插入千分位点
  result <- str_c(parts[c(TRUE, FALSE)], ".", parts[c(FALSE, TRUE)])
  return(result)
}

测试验证 #

测试用例1 #

输入：
x1 <- c("9 243,51 233 286,08 18 386.21")
运行：
process_ocr_num(x1)
输出：
"9.243,51" "233.286,08" "18.386,21"

测试用例2 #

输入：
x2 <- c("9.243,51 233 286,08 18 386.21")
运行：
process_ocr_num(x2)
输出：
"9.243,51" "233.286,08" "18.386,21"

补充说明 #

如果你的OCR识别结果存在超过两级的千分位拆分（比如1 234 567,89这类格式），调整后续的分组拼接逻辑即可适配，当前代码完全匹配给出的示例场景。

内容的提问来源于stack exchange，提问作者mic