R正则表达式处理数据框列表 提取人员、编码及首条日期数据

library(tidyverse)

# 示例输入
v1 <- c("Worker: Joseph", "06/01/21", "12-00.07", "06/19/21", "useless", "06-11.85")
v2 <- c("useless","99-08-70", "Worker: 3rd", "05/01/21", "useless", "25-57.99", "07/01/21")
df1 <- data.frame(text = v1)
df2 <- data.frame(text = v2)
PDF_list <- list(df1, df2)

# 核心处理逻辑
one_df <- map_dfr(PDF_list, function(df) {
  # 提取工作人员信息
  worker <- str_subset(df$text, "Worker:") |> 
    str_match("Worker:\\s*(\\w+)") |> 
    _[1,2]
  
  # 提取第一个有效日期
  date <- str_subset(df$text, "^\\d{2}/\\d{2}/\\d{2}$") |> 
    _[1]
  
  # 提取所有符合要求的编码
  code <- str_subset(df$text, "-\\d{2}[-.]") |> 
    str_match("-(\\d{2})[-.]") |> 
    _[,2]
  
  # 拼接成当前数据框对应的结果
  tibble(
    Worker = worker,
    Code = code,
    Date = date
  )
})

# 查看结果
View(one_df)

核心调整说明 #

• 工作人员提取：通过str_subset过滤含Worker的行后，用正则捕获组直接提取后面的标识，而非保留原整行文本
• 日期提取：严格匹配dd/dd/dd格式的字符串，直接取第一个匹配结果，避免无效日期干扰
• 编码提取：匹配-两位数字+点/横线的特征，用捕获组提取中间的两位标准编码，支持原示例中12-00.07、99-08-70两种分隔格式
• 循环优化：用purrr::map_dfr替代for循环，直接拼接所有结果为总表，避免手动绑定列的长度不匹配问题

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