如何规整县行政长官就职年份数据集？处理R中year字段格式问题

问题背景 #

现有一份县行政长官数据集，year列格式混乱，包含纯年份、区间字符串（如"from 2001 to 2002"）、日期字符串（如"01-feb-2003"），需要统一提取每位长官的起始就职年份，规整为数值型。

原始数据集：

df <- data.frame(year= c(2000, "from 2001 to 2002", "01-feb-2003", 2000, "01-jan-2002", "from 2004 to 2005"),
                  executive.name= c("Johnson", "Smith", "Alleghany", "Roberts", "Clarke", "Tollson"),
                  district= rep(c(1001, 1002), each=3))

解决方案 #

使用tidyverse工具链中的stringr处理字符串，快速提取起始年份：

# 加载依赖包
library(tidyverse)

df_clean <- df %>%
  # 统一将year列转为字符型，处理混合格式
  mutate(year = as.character(year)) %>%
  # 提取第一个出现的4位数字（即起始年份），转为数值型
  mutate(year = as.numeric(str_extract(year, "\\d{4}")))

结果验证 #

处理后的数据与预期一致：

> df_clean
  year executive.name district
1 2000         Johnson     1001
2 2001           Smith     1001
3 2003        Alleghany     1001
4 2000         Roberts     1002
5 2002          Clarke     1002
6 2004          Tollson     1002

代码逻辑说明 #

• as.character(year)：将原始混合类型的year列统一转为字符型，避免格式冲突
• str_extract(year, "\\d{4}")：用正则表达式匹配所有4位数字的字符串，提取第一个匹配结果（对应起始年份）
• as.numeric(...)：将提取到的年份字符串转为数值型，保证数据类型统一

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