正则表达式和数字范围的逻辑有缺陷

Question

我正在尝试在名为“data”的数据集中创建一个名为“group”的新变量。变量“group”应取值“A”或“B”，具体取决于数据集中另一个变量（字符类型）的结束方式。恰好它们在下划线后面以 7 到 24 之间的数字结尾，如下所示：

所以，我希望当结束数字为 7 到 15（包含在内）时，新变量“组”为“A”，当结束数字为 16 到 24（包含在内）时，新变量“组”为“B”。

我尝试了这个

mutate()

函数，使用

str_detect()

来区分感兴趣的字符变量：

data %>%
mutate(group = case_when(str_detect(string = year, pattern = "[7-9]|1[0-5]$") ~ "A",
                         str_detect(string = year, pattern = "1[6-9]|2[0-4]$") ~ "B")) 

但是，结果输出并不完全正确，如下所示。

case_when()

的逻辑或正则表达式本身有什么问题，它也将值“A”赋予数字 16 到 19？

提前致谢！

Answer 1

在正则表达式中

"[7-9]|1[0-5]$

等可能会错误地匹配字符串中任意位置的单位数字；它会匹配

7

、

8

、

9

，即使它们是较大数字的一部分（如

27

、

18

' 等），除非它们位于末尾且具有特定的后续数字。

考虑到这一点，这样的事情可能会更好：

data <- data %>%
  mutate(group = case_when(
    as.numeric(str_extract(year, "\\d+(?!.*\\d)")) %in% 7:15 ~ "A",
    as.numeric(str_extract(year, "\\d+(?!.*\\d)")) %in% 16:24 ~ "B"
))