如何用stringr提取文件名内容并通过dplyr::mutate为data.frame新增列

嘿，这个需求用dplyr加stringr就能轻松搞定！咱们先拆解你的文件名结构：./data/RevCon_2015_C1_Austria_05_06.txt里的信息是用下划线分隔的，正好对应会议名、年份、会议编号、国家、月份、日期这些你需要的字段。

步骤1：加载依赖包 #

首先确保你已经安装了dplyr和stringr，然后加载它们：

library(dplyr)
library(stringr)

步骤2：定义正则匹配模式 #

先把文件名的匹配规则写成一个正则表达式，这样后面重复用的时候更方便：

# 正则解释：
# [^_]+ 匹配任意非下划线的字符（提取会议名、编号、国家）
# [0-9]{4} 匹配4位数字（年份）
# [0-9]{2} 匹配2位数字（月、日）
# \\.txt 匹配文件后缀（转义点号，避免被当作正则通配符）
filename_pattern <- "./data/([^_]+)_([0-9]{4})_([^_]+)_([^_]+)_([0-9]{2})_([0-9]{2})\\.txt"

步骤3：提取字段并生成新变量 #

用dplyr::mutate配合stringr::str_match一次性提取所有需要的字段，还能顺便把数字类型的字段转成整数（比如年份、月份）：

# 先拿出你的示例数据
df <- data.frame(
  paragraph = "Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.",
  filename = "./data/RevCon_2015_C1_Austria_05_06.txt",
  stringsAsFactors = FALSE
)

# 处理数据
df_processed <- df %>%
  mutate(
    # 用str_match提取所有分组，返回一个矩阵
    match_result = str_match(filename, filename_pattern),
    # 从矩阵中取出对应列作为新变量
    conference = match_result[, 2],
    year = as.integer(match_result[, 3]),
    conf_code = match_result[, 4],
    country = match_result[, 5],
    month = as.integer(match_result[, 6]),
    day = as.integer(match_result[, 7])
  ) %>%
  select(-match_result)  # 删掉中间的匹配结果矩阵列

看看处理后的结果 #

运行print(df_processed)就能看到新增的变量：

print(df_processed)

输出示例：

paragraph                                filename conference year conf_code country month day
1 Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. ./data/RevCon_2015_C1_Austria_05_06.txt     RevCon 2015       C1 Austria     5   6

如果你的文件名有其他变体（比如部分字段可选），只需要调整正则表达式的对应部分就行，比如用?标记可选字段。

内容的提问来源于stack exchange，提问作者feder80