tidyr包separate()函数正则分隔列失效问题排查

嘿，我来帮你搞定这个separate()的正则问题！你的partijen列里的分隔符有点 tricky——既有逗号加空格，还有en加空格，甚至末尾还有省略号，这就是之前正则不生效的原因。咱们一步步来解决：

第一步：先整理你的数据框 #

首先我把你给出的数据整理成正确的格式（看起来输入时gemeente和partijen的内容有点混淆，我帮你修正了）：

library(tidyr)
library(dplyr)
library(stringr) # 用来处理末尾的省略号

# 修正后的原始数据框
df <- tibble(
  gemeente = c("Asten", "Beek", "Coevorden", "Ermelo"),
  partijen = c(
    "CDA 1 , Algemeen Belang 1 en Leefbaar Asten 1",
    "BBB-NDB 2, CDA 2",
    "PvdA 1, CDA 1 en Lokaal 1",
    "Progressief Ermelo 1, BurgerBelangen Ermelo 1, SGP 1 en ..."
  )
)

第二步：用separate_rows()拆分（推荐！） #

如果你想把每个政党拆成单独的行（这是处理这类多值列最常用的方式），可以用separate_rows()，搭配能匹配两种分隔符的正则：

df_clean <- df %>%
  separate_rows(partijen, sep = "\\s*(?:,|en)\\s+") %>%
  # 去掉末尾的省略号
  mutate(partijen = str_remove(partijen, "\\.\\.\\.$"))

# 查看结果
print(df_clean)

正则模式解释：

• \\s*：匹配0个或多个空格，处理像CDA 1 , 里逗号前后的多余空格
• (?:,|en)：非捕获组，匹配逗号或者en这两种分隔符
• \\s+：匹配1个或多个空格，处理分隔符后面的空格（比如, Algemeen...或en Leefbaar...）

如果你想拆分成多列（而不是行） #

如果你的需求是把每个政党拆成单独的列，需要先预估最多有多少个政党（这里假设最多4个），用separate()：

df_cols <- df %>%
  separate(
    partijen,
    into = paste0("partij_", 1:4), # 生成列名partij_1到partij_4
    sep = "\\s*(?:,|en)\\s+",
    fill = "right" # 政党数量不足时，右侧补NA
  ) %>%
  # 去掉所有列里的省略号
  mutate(across(starts_with("partij_"), ~str_remove(., "\\.\\.\\.$")))

# 查看结果
print(df_cols)

为什么之前的正则不生效？ #

大概率是因为你只匹配了单一分隔符（比如只写了","或者只写了"en"），没考虑到列里同时存在两种分隔方式，也没处理分隔符前后的空格——这些细节都会导致正则匹配失败。

特殊情况注意 #

如果你的政党名称里本身包含en（比如某个政党叫VVD en GroenLinks），这个正则会误拆分。这时候可以换个思路，根据「政党名称 + 数字」的格式来匹配，用str_extract_all()提取每个条目：

df %>%
  mutate(partijen = str_extract_all(partijen, "[A-Za-z\\-\\s]+ \\d+")) %>%
  unnest(partijen)

内容的提问来源于stack exchange，提问作者Tdebeus