R语言无硬编码实现X类列与相邻后列列名合并

核心实现逻辑 #

针对tabulizer提取PDF表格时常见的、因跨列表头拆分产生的连续X占位列错位问题，全程无硬编码具体列位置、具体列值映射，仅通过列名的通用特征做规则匹配：

• 用正则自动识别所有X前缀类的占位列（匹配规则覆盖X/X.1/X.2/X.n全系列后缀，不手动枚举具体X值）
• 按列的原始排列顺序逐列扫描，自动追踪最近出现的非X类有效列名（即实际作为表头的Day.*类列）
• 遇到X占位列时直接复用最近追踪到的有效列名覆盖，无论中间连续夹了多少个X占位列，都能完成匹配

可直接复用的实现代码 #

适配data.table工作流，提供两种写法可选，无需手动调整列索引：

写法1：带purrr的简洁版本 #

library(data.table)
library(purrr)

# 实际使用时直接将orig_cols替换为tabulizer提取后data.table对象的列名即可
orig_cols <- c("G", "X", "Day.7", "X.1", "Day.8", "X.2", "Day.9", "X.3")

# 列名重写逻辑
new_col_names <- orig_cols |>
  (\(cols) {
    # 自动标记所有X占位列，不硬编码具体X的后缀规则
    is_x_placeholder <- grepl("^X(\\.\\d+)?$", cols)
    tracked_name <- NA_character_
    
    map2_chr(cols, is_x_placeholder, \(col, is_placeholder) {
      if (!is_placeholder) {
        # 遇到有效列时更新追踪的列名
        tracked_name <<- col
        return(col)
      } else {
        # 遇到X占位列时复用最近的有效列名
        return(tracked_name)
      }
    })
  })()

写法2：纯base R版本，无额外包依赖 #

# 实际使用时直接将orig_cols替换为提取得到的原始列名即可
orig_cols <- c("G", "X", "Day.7", "X.1", "Day.8", "X.2", "Day.9", "X.3")

tracked_name <- NA_character_
new_col_names <- character(length(orig_cols))
for (i in seq_along(orig_cols)) {
  col <- orig_cols[i]
  is_x_placeholder <- grepl("^X(\\.\\d+)?$", col)
  if (!is_x_placeholder) {
    tracked_name <- col
    new_col_names[i] <- col
  } else {
    new_col_names[i] <- tracked_name
  }
}

效果验证 #

针对示例输入列名，两种写法的输出均与需求预期完全一致：

new_col_names
# [1] "G"     "Day.7" "Day.7" "Day.8" "Day.8" "Day.9" "Day.9" "Day.9"

方案通用性说明 #

• 不依赖固定列位置：即使后续提取的表格里X占位列数量变化、有效列的具体值变化（比如从Day.7变成Day.10、从日期列变成其他文本列），只要是X占位列和有效列交替排列的结构，都能自动完成匹配，不需要每次手动调整映射关系
• 兼容tabulizer提取的常见错位场景：如果X占位列连续出现在两个有效列之间（比如示例里的X.3在Day.9之后、没有对应新的有效列），逻辑会自动把连续的X占位列全部归属到上一个有效列名下，完全匹配跨列表头拆分的表格结构

内容的提问来源于stack exchange，提问作者kumar