如何在dplyr的mutate中使用grep？求机构名称提取解决方案

嘿，我来帮你拆解这个提取核心机构名称的问题，用dplyr管道的话其实有好几种实用思路，我会一步步给你讲清每段代码的运行逻辑，再分享几个不同场景下的解决方案～

首先咱们用一个贴近真实场景的数据集来演示，方便你对照理解：

library(dplyr)
library(stringr)
library(purrr)

# 模拟科研作者的机构列表
df <- tibble(
  author_name = c("Alice M. Smith", "Bob K. Johnson", "Charlie Lee"),
  full_affiliations = c(
    "Dept of Molecular Biology, Univ. of California, Los Angeles; Inst of Genomics, Stanford Univ.",
    "School of Mechanical Eng, Univ. of Texas, Austin; Dept of Chemistry, University of Chicago",
    "Center for Data Science, NYU; Dept of Math, Columbia Univ."
  )
)

这个方案适合你需要先拆分所有机构、再精准筛选的场景，每一步的逻辑都很直观：

df_main_univ <- df %>%
  # 第一步：把长机构字符串按分号拆成单个机构的列表（\\s*是处理分号后的空格）
  mutate(affiliation_items = str_split(full_affiliations, ";\\s*")) %>%
  # 第二步：遍历每个机构列表，筛选出含"univ"关键词的条目（不区分大小写）
  mutate(univ_matches = map(affiliation_items, ~ str_subset(.x, regex("univ", ignore_case = TRUE)))) %>%
  # 第三步：提取第一个匹配的机构作为主要机构；没匹配到就返回NA
  mutate(main_university = map_chr(univ_matches, ~ ifelse(length(.x) > 0, .x[1], NA_character_))) %>%
  # 清理临时生成的中间列，保持数据整洁
  select(-affiliation_items, -univ_matches)

# 查看结果
df_main_univ

运行逻辑拆解： #

1. str_split把每个作者的长机构字符串拆成一个列表，每个列表元素是独立的机构名称；
2. map + str_subset遍历每个列表，只保留包含"univ"（不管大小写）的机构；
3. map_chr把列表格式的匹配结果转成字符向量，取第一个匹配项作为主要机构；
4. 最后用select删掉临时列，得到干净的结果。

如果不需要拆分所有机构，只想直接抓出第一个符合"Univ. of XX"格式的机构，用str_extract一步就能搞定：

df_main_univ <- df %>%
  mutate(main_university = str_extract(
    full_affiliations,
    # 正则匹配：Univ.或University开头，后面跟" of "，再匹配到下一个逗号/分号前的内容
    regex("(Univ\\.|University) of [^;,]+", ignore_case = TRUE)
  ))

df_main_univ

运行逻辑拆解： #

str_extract会从字符串中提取第一个符合正则模式的内容：

• (Univ\\.|University)匹配两种常见的大学缩写/全称；
• [^;,]+表示匹配到下一个逗号或分号就停止，避免把后面的城市、院系也包含进来；
• ignore_case = TRUE确保不管是大写还是小写的"univ"都能匹配到。

如果你的需求是提取作者所有关联的大学机构，而不只是第一个，可以用str_extract_all：

df_all_univs <- df %>%
  mutate(all_universities = str_extract_all(
    full_affiliations,
    regex("(Univ\\.|University) of [^;,]+", ignore_case = TRUE)
  )) %>%
  # 把列表格式的结果转成逗号分隔的字符串，方便查看
  mutate(all_universities_str = map_chr(all_universities, ~ paste(.x, collapse = ", ")))

df_all_univs

运行逻辑拆解： #

str_extract_all会提取字符串中所有符合正则模式的内容，返回一个列表；之后用map_chr + paste把列表转成可读性更强的逗号分隔字符串。

内容的提问来源于stack exchange，提问作者Kamil