使用tidyr按自定义分隔符拆分文本：缺失匹配时填充NA维持列结构

嘿，这个问题我之前也碰到过——用tidyr按自定义分隔符拆分文本时，要是某个分隔符没出现，后面的内容就会往前串，列直接错位，太闹心了！别担心，用tidyr::separate_wider_regex()就能完美解决，它专门处理这种需要匹配特定模式、缺失时自动填充NA的场景。

先看你的示例数据 #

首先把你的测试数据整理好：

library(tidyr)

example <- c(
  "PatientName is Mr B Goode. Referrer Bilbo Baggins Hospital Number 23434B DOB 13/01/77 Findings All good Diagnosis Normal",
  "PatientName is Mr A Notgood. Hospital Number 12345C DOB 01/05/88 Findings Needs follow-up"
)
df <- data.frame(text = example)

核心解决方案：用separate_wider_regex()精准匹配 #

关键是给每个目标列定义精确的正则匹配规则，明确每个字段的起始标识和结束边界，这样即使某个字段的起始标识（分隔符）不存在，对应的列就会自动填充NA，不会错位。

这里我们针对你提到的字段（PatientName、Referrer、Hospital Number、DOB、Findings、Diagnosis）写匹配规则：

df_clean <- df %>%
  separate_wider_regex(
    col = text,
    patterns = list(
      PatientName = "PatientName is (.*?)(?=\\. Referrer|\\. Hospital|\\. Findings|\\. Diagnosis|$)",
      Referrer = "(?:Referrer )(.*?)(?= Hospital Number| DOB| Findings| Diagnosis|$)",
      Hospital_Number = "(?:Hospital Number )(.*?)(?= DOB| Findings| Diagnosis|$)",
      DOB = "(?:DOB )(.*?)(?= Findings| Diagnosis|$)",
      Findings = "(?:Findings )(.*?)(?= Diagnosis|$)",
      Diagnosis = "(?:Diagnosis )(.*)"
    ),
    too_few = "align_start" # 确保缺失字段填充NA
  )

看看结果 #

运行后你会得到这样的输出：

> df_clean
# A tibble: 2 × 6
  PatientName      Referrer        Hospital_Number DOB        Findings          Diagnosis
  <chr>            <chr>           <chr>           <chr>      <chr>             <chr>
1 "Mr B Goode"     "Bilbo Baggins" "23434B"        "13/01/77" "All good"        "Normal"
2 "Mr A Notgood"   NA              "12345C"        "01/05/88" "Needs follow-up" NA

你看，第二条数据里没有Referrer和Diagnosis，对应的列就自动填充了NA，完全不会错位！

简单解释下正则逻辑 #

• 每个字段的正则里，(.*?)是捕获我们要提取的内容（非贪婪匹配，避免把后面的内容也抓进来）
• (?=...)是正向预查，用来确定当前字段的结束边界——比如PatientName的结束边界是. Referrer、. Hospital等，或者文本末尾
• (?:...)是非捕获组，用来匹配字段的起始标识（比如Referrer ），但不会把标识本身放进结果里
• too_few = "align_start"参数确保当某个字段没匹配到时，后续字段不会往前挪，而是填充NA

如果你的分隔符列表有变化，只需要调整正则里的预查条件和起始标识就行，灵活得很！

内容的提问来源于stack exchange，提问作者Sebastian Zeki