如何标准化R数据框中PROG_START列的多种时间格式

问题分析 #

你的数据框PROG_START列包含两种日期格式：

1. 文本格式：星期, 月, 日, 年（如Tuesday, October 1, 2019）
2. 10位UTC时间戳（如1682294400，对应2023-04-24）

之前的代码失败原因：

• 正则表达式错误：使用\\d{10}\\.\\d{3}匹配带毫秒的时间戳，但你的数据是10位整数时间戳，导致匹配失败
• 日期解析函数选择错误：用dmy()处理文本日期，但文本格式是月在前，应该用mdy()；时间戳分支未触发时，错误地用dmy()处理数字字符串，导致全NA

正确解决方案 #

使用dplyr和lubridate包，先区分日期类型，再分别解析，最后统一格式化：

# 加载必要包
library(dplyr)
library(lubridate)

# 原始数据
data <- data.frame(PROG_START = c("Tuesday, October 1, 2019", "1682294400"))

# 清洗并标准化日期
data_clean <- data %>%
  mutate(
    # 识别10位整数时间戳
    is_timestamp = str_detect(PROG_START, "^\\d{10}$"),
    # 分别解析两种格式的日期
    parsed_date = case_when(
      is_timestamp ~ as.POSIXct(as.numeric(PROG_START), origin = "1970-01-01", tz = "UTC"),
      TRUE ~ mdy(PROG_START) # mdy自动忽略星期，识别"月, 日, 年"格式
    ),
    # 格式化为"日-月-年"
    PROG_START = format(parsed_date, "%d-%m-%Y")
  ) %>%
  # 移除中间辅助列
  select(-is_timestamp, -parsed_date)

# 查看结果
print(data_clean)

输出结果 #

PROG_START
1 01-10-2019
2 24-04-2023

关键细节说明 #

• str_detect(PROG_START, "^\\d{10}$")：精准匹配10位纯数字的时间戳，避免误匹配其他含数字的文本
• mdy(PROG_START)：lubridate的mdy()函数可以自动忽略文本中的星期部分，正确解析"Tuesday, October 1, 2019"为日期
• as.POSIXct(as.numeric(PROG_START), origin = "1970-01-01", tz = "UTC")：将10位时间戳转换为UTC标准时间，确保年份正确（1682294400对应2023年而非1682年）

内容的提问来源于stack exchange，提问作者JonathonV92