如何在R语言中清理release_date列多余字符提取年份值？

核心思路：直接匹配提取四位数字年份 #

不管列里的前缀是罗马数字（I)、II)、XVII)）还是特殊字符，我们只需要提取其中的四位数字年份即可，比逐个删除无关字符高效得多。

方法1：使用tidyverse的stringr包（推荐，语法更直观）

library(stringr)
# 提取列中所有四位数字的年份，生成新列
movie_data$clean_year <- str_extract(movie_data$release_date, "\\d{4}")

• \\d{4}是正则表达式，专门匹配连续四位数字，刚好对应年份格式；
• 不管原单元格内容是'XVII) (2016'还是'II. (2020'，都能直接提取出'2016'、'2020'；
• 如果某些行没有有效年份，结果会是NA，可以用str_replace_na(clean_year, "未知")替换成默认值。

方法2：使用base R原生函数（无需额外加载包）

如果不想加载stringr，用gsub直接删除所有非数字字符：

# 把所有非数字的字符替换为空，只保留数字
movie_data$clean_year <- gsub("[^0-9]", "", movie_data$release_date)

如果担心单元格里有多个数字串（比如'2016 2017'），可以用更精准的正则只保留第一个四位数字：

movie_data$clean_year <- gsub(".*?(\\d{4}).*", "\\1", movie_data$release_date)

纠正你之前的错误 #

你之前用gsub("XVII",")",".","", movie_data$year)报错是因为参数顺序完全错了。gsub的正确语法是：
gsub(pattern, replacement, x)
你把多个pattern和replacement混在一起传参，R自然无法识别。用上面的正则表达式写法就能一次性处理所有无关字符，不用逐个指定罗马数字或特殊符号。

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