R语言：如何从脏数据列中提取年份字段？

因为你的nomenclature_of_loans列是脏数据，分隔符（空格、逗号、括号）不统一，用固定分隔符拆分容易出错。改用正则表达式匹配固定格式的目标字段是更可靠的方案，因为年份（4位数字，以20开头）和利率（数字+%，中间可能有空格）有明确的格式特征。

步骤1：提取年份（最优先需求） #

直接用str_extract匹配字符串中的4位年份（示例中都是20xx格式，正则\\b20\\d{2}\\b可以精准匹配）：

library(tidyverse)

govt_1_clean <- govt_1 %>%
  mutate(year = str_extract(nomenclature_of_loans, "\\b20\\d{2}\\b"))

• \\b是单词边界，避免匹配到类似20100这样的长数字；
• 20\\d{2}匹配以20开头的4位数字，覆盖绝大多数年份场景。

步骤2：提取并清洗利率 #

利率的格式是「数字（含小数）+ 任意空格 + %」，先用str_extract匹配这个模式，再用str_remove_all去掉中间的空格：

govt_1_clean <- govt_1_clean %>%
  mutate(
    rate_raw = str_extract(nomenclature_of_loans, "\\d+\\.\\d+\\s*%"),
    rate = str_remove_all(rate_raw, "\\s+")  # 去掉利率中间的所有空格
  ) %>%
  select(-rate_raw)  # 移除临时列

• \\d+\\.\\d+匹配带小数的数字；
• \\s*%匹配任意数量的空格后接%；
• str_remove_all(\\s+)把12.25 %这类带空格的格式统一为12.25%。

完整合并代码 #

library(tidyverse)

govt_1 %>%
  mutate(
    year = str_extract(nomenclature_of_loans, "\\b20\\d{2}\\b"),
    rate = str_remove_all(str_extract(nomenclature_of_loans, "\\d+\\.\\d+\\s*%"), "\\s+")
  ) %>%
  select(notified_amount, rate, year)  # 保留需要的列

效果验证 #

针对你的示例数据，运行后会得到：

该方案能处理带括号、多空格、逗号等脏数据场景，解决你遇到的350行提取失败问题。

内容的提问来源于stack exchange，提问作者Samvit0