如何在R数据框中从混合格式日期提取年份（含Excel序列号）

我正在清理一个混乱的数据库，其中变量inicio包含多种日期输入格式，例如："MAR 23"、"1º Sem 2021"、"OUT/21"、"41365"，需要提取所有日期对应的年份。

已尝试的方法及问题 #

1. 正则提取函数 #

用正则提取末尾两位数字作为年份，代码如下：

# 提取末尾两位数字（仅年份）
pattern <- "\\b\\d{2}$"

# 正则提取年份的函数
extract_years <- function(text, pattern) {
  matches <- regmatches(text, gregexpr(pattern, text))
  years <- sapply(matches, function(x) as.numeric(x))
  return(years)
}

# 使用dplyr从日期列提取年份
informex_clean_2 <- informex_clean |>
  mutate(ano = extract_years(inicio, pattern))

该函数对"MAR 23"、"OUT/21"、"1º Sem 2021"这类格式有效，但对"41365"这类Excel日期序列号会返回NA。

2. 日期转换函数尝试 #

尝试写了转换函数，但对"41365"仍返回NA：

# 尝试转换为日期的自定义函数
convert_to_date_if_possible <- function(x) {
  if (is.numeric(x)) {
    # 若输入为数值，假设是日期表示并尝试转换
    x_date <- as.Date(as.numeric(x), origin = "1899-12-30") # Excel日期原点为1899-12-30
    if (!is.na(x_date)) {
      # 转换成功，返回日期对象
      return(x_date)
    } else {
      # 转换失败，返回原始字符值
      return(x)
    }
  } else {
    # 输入非数值，返回原始字符值
    return(x)
  }
}

问题核心："41365"在数据中是字符类型，is.numeric(x)判断为FALSE，无法进入转换逻辑。

解决方案 #

下面是修正后的完整年份提取函数，能处理所有上述格式：

library(dplyr)
library(lubridate)
library(stringr)

extract_year <- function(x) {
  # 处理Excel日期序列号（字符型转数值后转日期）
  num_x <- suppressWarnings(as.numeric(x))
  if (!is.na(num_x)) {
    return(year(as.Date(num_x, origin = "1899-12-30")))
  }
  
  # 提取4位完整年份（如"1º Sem 2021"中的2021）
  full_year <- suppressWarnings(as.numeric(str_extract(x, "\\b20\\d{2}\\b")))
  if (!is.na(full_year)) {
    return(full_year)
  }
  
  # 提取两位年份并补全为4位（默认2000年后，可按需调整）
  two_digit <- suppressWarnings(as.numeric(str_extract(x, "\\b\\d{2}\\b")))
  if (!is.na(two_digit)) {
    # 若需区分19xx/20xx，可加判断：two_digit > 50 则 1900 + two_digit，否则2000 + two_digit
    return(2000 + two_digit)
  }
  
  # 无匹配时返回NA
  return(NA_integer_)
}

# 应用到数据框
informex_clean_2 <- informex_clean |>
  mutate(ano = extract_year(inicio))

关键说明 #

• 先尝试将输入转为数值，解决字符型Excel序列号的转换问题；
• 优先提取4位年份，避免两位年份的歧义；
• 两位年份默认补2000，若数据包含19xx年份，可修改逻辑区分；
• 用suppressWarnings()屏蔽转换失败的警告，不影响最终输出。

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