在R语言中如何用正则表达式提取文件名中的时间信息（Baseline/6M）

嘿，我来帮你搞定这个提取时间信息的问题！你已经成功拿到了研究编号，现在要提取Baseline或者6M这类时间标识，其实用正则表达式可以很轻松实现，我给你两种实用的方法：

方法一：用基础R的gsub函数 #

我们可以通过替换掉不需要的内容来留下目标信息。观察你的文件名结构，时间信息总是在最后一个下划线_之后，.xlsx之前。所以可以写这样的正则：

# 测试第一个文件名
qtest1 <- "Folder//study30/01_study30_Baseline.xlsx"
time1 <- gsub(".+_(.+?)\\.xlsx$", "\\1", qtest1)
time1
# 输出: [1] "Baseline"

# 测试第二个文件名
qtest2 <- "Folder//study30/01_study30_6M.xlsx"
time2 <- gsub(".+_(.+?)\\.xlsx$", "\\1", qtest2)
time2
# 输出: [1] "6M"

简单解释下这个正则的逻辑：

• .+_：用贪婪匹配找到最后一个下划线之前的所有内容（因为.+会尽可能匹配更多字符）
• (.+?)：用非贪婪匹配捕获我们需要的时间信息（括号里的内容会被保存为分组）
• \\.xlsx$：匹配文件名结尾的.xlsx
• \\1：把整个字符串替换成我们捕获的第一个分组（也就是时间信息）

方法二：用stringr包的str_extract函数（更直观） #

如果你习惯用stringr包（tidyverse系列的工具，语法更友好），可以直接用str_extract提取目标内容，不用替换：

library(stringr)

# 提取第一个文件的时间
str_extract(qtest1, "(?<=_)\\w+(?=\\.xlsx$)")
# 输出: [1] "Baseline"

# 提取第二个文件的时间
str_extract(qtest2, "(?<=_)\\w+(?=\\.xlsx$)")
# 输出: [1] "6M"

这个正则用了预查语法，更直观：

• (?<=_)：反向预查，确保目标内容前面是下划线_
• \\w+：匹配字母、数字（刚好覆盖Baseline和6M这类格式）
• (?=\\.xlsx$)：正向预查，确保目标内容后面是.xlsx结尾

另外，你之前用grep的方式不对哦——grep主要用来判断哪些字符串匹配了正则，或者返回匹配的整个字符串，而不是提取其中的部分内容，所以改用gsub或者str_extract才是正确的方向~

备注：内容来源于stack exchange，提问作者Mark Davies