如何在R语言中使用正则表达式编辑数据框的行业名称列？

我来帮你搞定这个提取行业名称大类的需求！你需要保留每个字符串中第一个分隔符（-）左侧的内容，舍弃右侧所有部分，之前尝试的方法没找对正则匹配的逻辑，下面给你可行的解决方案：

为什么之前的方法不生效？ #

• stri_trim_right(..., pattern = "[-]")：这个函数是从字符串右侧修剪匹配的字符，只会去掉末尾的减号，不会处理中间的内容，所以第二个字符串会剩下"FINANCIAL SERVICES - Closed End Fund -"，不符合预期。
• stri_trim_right(..., pattern = "[A-Z]")：这是从右侧修剪大写字母，完全偏离了需求，只会去掉最后一个大写字母，结果自然不对。
• gsub("[^A-Z]","", ...)：这个是去掉所有非大写字母的字符，丢失了空格、&这些必要内容，显然不是你要的结果。

正确的解决方案 #

方法1：基础R的gsub函数 #

用正则表达式匹配第一个-（空格+减号+空格）及其之后的所有内容，替换为空字符串：

# 构造示例数据
Industries <- c("LEISURE - Restaurants", "FINANCIAL SERVICES - Closed End Fund - Equity", "AEROSPACE/DEFENSE - Aerospace/Defense Products & Services", "METALS & MINING - Industrial Metals & Minerals")
Industries <- data.frame(Industries)

# 提取大类
Industries$Industry_Category <- gsub(" - .*", "", Industries$Industries)

# 查看结果
Industries$Industry_Category

输出结果：

[1] "LEISURE"           "FINANCIAL SERVICES" "AEROSPACE/DEFENSE" "METALS & MINING"

方法2：stringr包的str_remove（更简洁） #

如果你习惯用tidyverse系列的包，stringr::str_remove语法更直观：

library(stringr)
Industries$Industry_Category <- str_remove(Industries$Industries, " - .*")

效果和上面的gsub完全一致。

鲁棒性优化（应对分隔符空格不一致的情况） #

如果你的数据中分隔符可能存在空格不规范的情况（比如-前后没有空格，或者只有单侧有空格），可以调整正则表达式，匹配任意数量的空格：

# 兼容各种空格情况的正则
Industries$Industry_Category <- gsub("\\s*-\\s*.*", "", Industries$Industries)

这个正则会匹配-前后零个或多个空格，然后去掉之后的所有内容，适用范围更广。

内容的提问来源于stack exchange，提问作者Kirsten