R语言如何用正则表达式从文件路径提取指定范围的年份和周数字段

核心思路 #

不需要锚定固定位置，直接通过零宽断言限定匹配符合取值范围的目标字段，避开路径中其他干扰数字，适配非固定位置的提取需求。

正则规则设计 #

• 年份匹配：限定取值范围1999~2019，同时要求匹配到的年份前后为路径分隔符/，避免匹配到路径中其他区间标注的年份（例如示例中总文件夹名的1999 - 2019字段）
  正则表达式：(?<=/)1999|200[0-9]|201[0-9](?=/)
• 周数匹配：限定取值范围1~16，兼容大小写写法，同时要求匹配到的周数字段前为路径分隔符/、后为文件后缀的.，避免匹配到其他位置的相关字符
  正则表达式：(?<=/)[Ww]eek(1[0-6]|[1-9])(?=\\.)

R代码实现 #

基于stringr包的矢量化操作实现，600万条记录可在数秒内完成处理，无需循环：

# 加载依赖包
library(stringr)

# 假设你的数据框名为df，先将行名存储为路径列
df$file_path <- rownames(df)

# 提取年份并转为整数格式
df$year <- str_extract(df$file_path, "(?<=/)1999|200[0-9]|201[0-9](?=/)") |> 
  as.integer()

# 提取周数，移除week前缀后转为整数格式
df$week <- str_extract(df$file_path, "(?<=/)[Ww]eek(1[0-6]|[1-9])(?=\\.)") |> 
  str_remove("[Ww]eek") |> 
  as.integer()

# 可选：校验提取结果合法性，过滤异常路径
valid_df <- df[df$year %in% 1999:2019 & df$week %in% 1:16, ]

特殊场景适配 #

如果部分路径的周数字段后不是.，而是直接跟/的子目录结构，可将周数正则的后置断言调整为(?=[\\./])，同时适配两种后缀场景。

内容的提问来源于stack exchange，提问作者nick23