R语言sub正则匹配异常：街道地址提取结果不符问题排查

你的问题出在两个关键点上：

1. base R的sub默认不支持非捕获组语法 #

你写的正则里用了(?:...)这种非捕获组写法，但base R的sub函数默认采用POSIX基本正则表达式（BRE），这种语法不识别(?:...)，会把它当成普通字符（(、?、:这些符号）解析，导致正则完全偏离预期，错误匹配了更多内容，最终得到"1843"。

2. 正则缺少单词边界限制（次要原因） #

就算忽略语法问题，你的正则没有给关键词加单词边界（\b），再加上\s*的贪婪匹配特性，也可能导致误匹配到包含关键词子串的内容，不过你的情况主要是第一个原因导致的。

解决方法 #

你可以任选以下一种方式修复：

• 启用PCRE模式：在sub里加上perl=TRUE参数，让它支持非捕获组语法：

  sub("\\s*(?:#|SUITE|STE|APT|UNIT|FL|RM|BUILDING|BLDG|SPACES|SPC)\\s*[^\\s]+.*$", "", "1843 FLOYD ST STE 100", perl=TRUE)
  

• 改用BRE支持的捕获组：把非捕获组的?:去掉，换成普通的捕获组（BRE支持这种写法）：

  sub("\\s*(#|SUITE|STE|APT|UNIT|FL|RM|BUILDING|BLDG|SPACES|SPC)\\s*[^\\s]+.*$", "", "1843 FLOYD ST STE 100")
  

• 添加单词边界更严谨：给关键词加上\b确保只匹配独立的单词，避免后续出现类似误匹配：

  sub("\\s*\\b(?:#|SUITE|STE|APT|UNIT|FL|RM|BUILDING|BLDG|SPACES|SPC)\\b\\s*[^\\s]+.*$", "", "1843 FLOYD ST STE 100", perl=TRUE)
  

以上三种方法都能得到你预期的结果：1843 FLOYD ST。

内容的提问来源于stack exchange，提问作者Charles Knell