基于关键词拆分列的R语言文本挖掘实现方法问询

当然没问题啦，这种结构化的文本解析在R里有很多便捷的方法，我给你两种实用的方案，你可以根据自己的数据情况来选：

方法一：用tidyr::separate_wider_regex精准匹配（推荐，适合内容带逗号的情况） #

因为你的Interests字段内容里可能包含逗号，直接用逗号分隔会出问题，用正则匹配键值对的方式更稳妥。

步骤示例： #

1. 先构造一份模拟数据（和你的数据格式一致）：

library(tidyverse)

# 模拟你的CSV数据
df <- tibble(
  description = c(
    "Name: XYZ, City: New York, Interests: I play the guitar, and spend my weekends playing badminton and tennis.",
    "Name: ABC, City: London, Interests: I love reading mystery novels, hiking in the mountains and cooking Italian food."
  )
)

2. 用正则提取对应字段：

df_parsed <- df %>%
  separate_wider_regex(
    description,
    patterns = c(
      "Name: ", Name = "[^,]+", ", City: ", City = "[^,]+", ", Interests: ", Description = ".+"
    )
  )

解释一下：

• Name = "[^,]+" 表示匹配Name: 后面直到第一个逗号前的所有内容，正好提取名字
• City = "[^,]+" 同理提取城市
• Description = ".+" 匹配Interests: 后面的所有内容，不管有没有逗号都能完整提取

方法二：用stringr::str_extract逐个提取字段 #

如果你更习惯逐个处理每个字段，用stringr的提取函数也很方便：

df_parsed <- df %>%
  mutate(
    Name = str_extract(description, "(?<=Name: ).+?(?=, City:)"),
    City = str_extract(description, "(?<=City: ).+?(?=, Interests:)"),
    Description = str_extract(description, "(?<=Interests: ).+")
  ) %>%
  select(-description) # 可选：移除原有的description列

解释：

• (?<=Name: ) 是正向预查，表示匹配前面是Name: 的内容
• .+?(?=, City:) 是正向预查终止，匹配到, City:就停止，这样精准提取名字
• 最后一个Description用.+直接提取Interests: 后面的所有内容

验证结果 #

运行完上面的代码后，你可以用print(df_parsed)查看结果，会得到包含Name、City、Description三列的干净数据框，完全符合你的需求！

如果你的实际数据里有一些格式不一致的情况（比如有的行少字段），可以再加个str_remove或者if_else做简单的清洗调整，基本都能搞定~

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