R语言提取数据框id列中第三个下划线后字符段的实现方法

针对你给定的规则化id字段，这里提供3种不同场景下可直接复用的代码，全部匹配示例数据的结构设计：

基础R无依赖实现（适配所有R版本，无需安装额外包） #

• 正则匹配替换法（处理百万级行数据时效率最高）
  直接运行即可生成目标列：

  df$business_code <- sub("^([^_]*_){3}", "", df$id)
  

  匹配逻辑说明：从字符串开头定位连续3组「非下划线字符+下划线」的冗余内容，将这部分替换为空，剩余文本就是第三个下划线后的全部字符。
• 拆分取值法（逻辑直白，新手易理解）
  先按下划线拆分id文本，直接取拆分结果的第4个元素：

  df$business_code <- sapply(strsplit(df$id, "_"), `[`, 4)
  

  这个方法附带异常校验效果：如果某行id的下划线数量不足3个，会自动返回NA，可快速定位不符合规则的异常编码。

tidyverse生态实现（适合日常管道流代码场景） #

• 用stringr包做精准提取

  library(dplyr)
  library(stringr)
  df <- df %>%
    mutate(business_code = str_extract(id, "(?<=^([^_]*_){3}).*$"))
  

  逻辑说明：通过正向后顾正则，精准定位到第三个下划线的结束位置，直接截取后面的所有文本，无需做替换操作。
• 用tidyr拆分整列（适合需要拆分全字段的场景）

  library(tidyr)
  df <- df %>%
    separate(
      col = id,
      into = c("affiliate_id", "part2", "part3", "business_code"),
      sep = "_",
      remove = FALSE,
      extra = "merge"
    )
  

  参数extra = "merge"可避免最后一段业务编码本身包含下划线时被强制截断，保证提取内容的完整性。

提取结果校验步骤 #

运行完任意一种方法后，可执行以下代码快速排查异常值：

# 打印所有提取结果为空的id行，无输出则代表所有编码提取正常
print(df$id[is.na(df$business_code)])

内容的提问来源于stack exchange，提问作者user3483060