在R语言中使用正则表达式或子串提取列中的特定词汇

安全阿岳

2026-5-26

嘿，针对你在R语言中从数据列提取特定词汇的需求，我整理了几个实用的方法，结合你给出的样本数据来演示：

首先先构造你的样本数据框方便测试：

df <- data.frame(
  Opex_Spend_Month = c(92179.84, 297.82, 13974.8, 138.6, NA, NA, 1388.65),
  Opex_Spend_YTD = c(113542.84, 82392.82, 34917.8, 63125.6, 73097, 96035, 68934.65),
  Major_Category = rep("Contingent Labour", 7),
  NBS_Region = rep("EUROPE", 7),
  Sub_Category = c("TEMP:OTH.CONT.WORKER", "TEMP:OTH.CONT.WORKER", "TEMP:OTH.CONT.WORKER", 
                   "TEMP:OTH.CONT.WORKER", "TEMP:MSP NON IT", "TEMP:MSP NON IT", "TEMP:MSP NON IT")
)

方法1：Base R 正则表达式（最通用）

如果你的Sub_Category列都是以TEMP:开头，想要提取冒号后面的全部内容，用sub()函数最方便，它可以直接替换掉开头的TEMP:部分：

# 提取冒号后的所有内容
df$Extracted_Term <- sub("^TEMP:", "", df$Sub_Category)

解释：^TEMP:是正则表达式，^表示匹配字符串开头，把匹配到的部分替换为空字符串，就得到了我们需要的内容。

运行后查看结果：

print(df$Extracted_Term)

输出：

[1] "OTH.CONT.WORKER" "OTH.CONT.WORKER" "OTH.CONT.WORKER" "OTH.CONT.WORKER"
[5] "MSP NON IT"      "MSP NON IT"      "MSP NON IT"

方法2：Base R 子串截取（适合固定格式）

如果TEMP:的长度固定（永远是5个字符：T-E-M-P-:），可以直接用substr()截取从第6位开始到末尾的内容：

df$Extracted_Term <- substr(df$Sub_Category, start = 6, stop = nchar(df$Sub_Category))

这个方法比正则更快，但缺点是如果Sub_Category的前缀有变化（比如不是TEMP:）就失效了，所以只适合格式完全固定的场景。

方法3：Tidyverse stringr 包（更直观的语法）

如果你习惯用tidyverse的管道语法，可以用stringr包的str_extract()函数，配合正则正向断言来提取内容：

library(stringr)
library(dplyr)

df <- df %>% 
  mutate(Extracted_Term = str_extract(Sub_Category, "(?<=TEMP:).*"))

解释：(?<=TEMP:)是正则正向断言，表示匹配TEMP:后面的所有内容（.*代表任意字符任意长度），语法上更清晰，适合复杂的字符串提取需求。

进阶：提取更细分的词汇

如果你的需求不是提取全部内容，而是比如提取OTH、MSP这类前缀，可以调整正则表达式：

# 提取冒号后第一个分隔符（点或空格）前的内容
df$Short_Term <- sub("^TEMP:([A-Z]+)[. ].*", "\\1", df$Sub_Category)

运行后df$Short_Term会得到：["OTH", "OTH", "OTH", "OTH", "MSP", "MSP", "MSP"]

内容的提问来源于stack exchange，提问作者Shuvayan Das