如何为tidyr::extract定义正则参数以拆分指定短语列？

你遇到的核心问题是需要让正则表达式匹配任意顺序的固定短语，并为每个短语单独生成一列，而不是按分隔符位置拆分。这里给你一个可以直接使用的正则表达式，完美适配你的需求：

library(tidyr)
library(dplyr)

sample %>%
  # 先把有序因子转为字符类型，避免正则匹配因子标签的索引问题
  mutate(routine_provided_target = as.character(routine_provided_target)) %>%
  extract(routine_provided_target,
          c("routine_provided_uw", "routine_provided_hw", "routine_provided_ow", "routine_provided_vow"),
          # 核心正则表达式
          regex = "^(?=.*?(Underweight))?(?=.*?(Healthy weight))?(?=.*?(Overweight))?(?=.*?(Very Overweight))?.*$",
          remove = FALSE)

正则表达式逻辑解释 #

这个正则的设计思路是用正向预查（(?=...)）来检测每个目标短语是否存在于字符串中，同时精准捕获对应的短语内容：

• ^ 和 $：匹配字符串的开头和结尾，确保正则覆盖整个内容，避免遗漏或多余匹配
• (?=.*?(Underweight))?：正向预查字符串中是否存在Underweight，.*?表示尽可能少的匹配字符（避免跨短语误匹配），末尾的?允许该短语不存在（此时捕获组返回NA）
• 同理，后面三个预查分别对应Healthy weight、Overweight和Very Overweight
• 最后的.*匹配整个字符串，确保正则能完全匹配输入内容，避免因预查的零宽度特性导致匹配失败

这样，每个捕获组会对应一个固定短语：如果原字符串包含该短语，捕获组就会返回短语本身；如果不包含，则返回NA，完全符合你的需求。

效果验证 #

用你提供的样本数据测试：

• 对于值为"Overweight,Very Overweight"的行，新列routine_provided_ow会是Overweight，routine_provided_vow会是Very Overweight，其余两列为NA
• 对于值为"Underweight,Healthy weight,Overweight,Very Overweight"的行，四个新列都会填充对应的完整短语
• 对于NA值的行，四个新列也都是NA

同时，remove = FALSE会保留原列，新列会紧跟在原列之后，完全符合你对列顺序的要求。

内容的提问来源于stack exchange，提问作者gofraidh