R语言数据框中如何批量移除字段值的指定匹配文本模式

核心逻辑是通过正则表达式完成整列的向量化匹配替换，不需要逐值遍历判断修改，运算效率适配百万行级别的大尺寸数据集。

基础R实现（无额外包依赖） #

直接用base R内置的gsub函数完成批量替换，必须按照匹配片段从长到短排序规则，避免短模式提前截断长片段的匹配。

# 示例输入数据
d <- data.frame(LOCATION = c("Antigua and Barbuda", 
                             "Bosnia and Herzegovina",
                             "Central Europe and the Baltics",
                             "Micronesia, Fed. Sts.",
                             "South Sudan, Republic of",
                             "United Kingdom of Great Britain and Northern Ireland"))

# 整理需要移除的文本模式：
# 1. 长片段优先排序
# 2. 后缀匹配加$锚定字符串末尾，避免误删中间同文本
# 3. 正则中的英文点号做转义处理，避免误匹配任意字符
remove_patterns <- c(
  " of Great Britain and Northern Ireland",
  " and the ",
  ", Fed\\. Sts\\.$",
  ", Republic of$",
  " and "
)
# 把所有模式拼接为正则的或匹配规则
full_match_rule <- paste(remove_patterns, collapse = "|")
# 整列批量将匹配到的片段替换为空
d$LOCATION <- gsub(full_match_rule, "", d$LOCATION)

运行后得到的清理结果：

• AntiguaBarbuda
• BosniaHerzegovina
• Central EuropeBaltics
• Micronesia
• South Sudan
• United Kingdom

Tidyverse生态实现（代码可读性更高） #

如果日常使用dplyr+stringr的工作流，直接用字符串删除函数完成相同逻辑，不需要手动拼接正则规则：

library(dplyr)
library(stringr)

d <- d |>
  mutate(LOCATION = str_remove_all(LOCATION, c(
    " of Great Britain and Northern Ireland",
    " and the ",
    ", Fed\\. Sts\\.$",
    ", Republic of$",
    " and "
  )))

实操注意事项 #

• 长片段优先的排序规则不能乱：比如最长的 of Great Britain and Northern Ireland本身就包含短片段and，如果把短片段放前面匹配，会先把长片段里的and替换掉，导致长片段匹配失效，最终结果出错；同理and the的长度大于普通and，也必须放在短规则前面。
• 后缀匹配必须加$锚定：两个后缀片段, Fed. Sts.和, Republic of默认只出现在字符串末尾，加锚定后可以避免误删字段中间出现的同文本片段，大幅提升替换精准度。
• 整套逻辑是向量化运算，和逐值手动修改相比，处理10万行以上大字段的效率会提升两个数量级以上，完全适配大尺寸数据集的处理需求。

内容的提问来源于stack exchange，提问作者kerryp