基于R语言数据框location列提取最后逗号分隔的两个字符串

嗨，我来帮你搞定这个问题！咱们分两步走：先搞定单个字符串的提取逻辑，再把这个逻辑批量应用到你的R数据框的location列上。

我们的目标是从字符串中提取最后一个逗号分隔的两个子串（比如从"X, Y, Z"里得到Y和Z）。这里用正则表达式是最高效的方式，能直接定位到最后一对由逗号分隔的内容。

用stringr包实现（推荐） #

stringr包的str_match()函数可以轻松捕获这两个子串：

library(stringr)

# 示例字符串
s <- "International Society for Horticultural Science (ISHS), Leuven, Belgium"

# 正则匹配最后两个子串
result <- str_match(s, "^.*?([^,]+),\\s*([^,]+)$")

# 提取捕获到的两个组（第2和第3个元素）
last_two_substrings <- result[, c(2, 3)]
print(last_two_substrings)
# 输出: "Leuven" "Belgium"

正则表达式^.*?([^,]+),\\s*([^,]+)$的关键部分解释：

• *?：表示非贪婪模式，避免吃掉前面的逗号，保证我们只匹配到最后一个逗号前的内容
• [^,]+：匹配任意非逗号字符，用来精准捕获我们需要的子串
• \\s*：匹配逗号后可能存在的任意空格，兼容字符串里的格式差异

用base R实现 #

如果你不想加载额外的包，用base R的strsplit()结合索引也能实现：

# base R方法
split_parts <- strsplit(s, ",\\s*")[[1]]
last_two_substrings <- tail(split_parts, 2)
print(last_two_substrings)
# 输出: "Leuven" "Belgium"

这个方法是先按逗号（带可选空格）分割字符串，再取分割结果的最后两个元素，逻辑直观易懂。

现在把这个逻辑应用到你的数据框df上，这里提供两种常用的实现方式：

方法一：dplyr + stringr（代码更清晰） #

用dplyr的管道语法可以很优雅地完成批量处理，还能直接把提取出的子串拆分成新列：

library(dplyr)
library(stringr)

# 处理location列，提取最后两个子串并生成新列
df_processed <- df %>%
  mutate(
    # 用正则捕获最后两个子串
    match_result = str_match(location, "^.*?([^,]+),\\s*([^,]+)$"),
    city = match_result[, 2],       # 提取城市
    country = match_result[, 3]     # 提取国家
  ) %>%
  select(-match_result)  # 移除中间的临时列（可选）

# 查看处理后的结果
head(df_processed)

方法二：base R（无需额外包） #

定义一个自定义函数，再用sapply()批量应用到列上：

# 定义提取最后两个子串的函数
get_last_two <- function(x) {
  split_parts <- strsplit(x, ",\\s*")[[1]]
  tail(split_parts, 2)
}

# 批量应用到location列，返回一个矩阵
last_two_matrix <- t(sapply(df$location, get_last_two))

# 将矩阵转换为数据框的新列
df$city <- last_two_matrix[, 1]
df$country <- last_two_matrix[, 2]

# 查看结果
head(df)

两种方法都能完美处理你的示例数据，比如"White House, Jodhpur, India"会被提取为Jodhpur（城市）和India（国家），完全符合需求。

内容的提问来源于stack exchange，提问作者hpesoj626