R语言中清理格式混乱的日期字符串技术求助

针对你提到的四类混乱日期格式，按转换确定性+数据占比的优先级来处理，能最大化减少NA值，同时保证结果可靠。以下是具体思路、代码示例和推荐工具：

优先处理顺序 #

1. 含数字日期（28%）：格式最规整，转换成本最低
2. 含"ago"的相对日期（37%）：占比最大，通过相对时间计算可覆盖大部分数据
3. 含月份+年份的文本（10%）：直接解析即可
4. 未匹配项（24%）：最后挖掘潜在信息，尽量减少NA

分类别处理步骤 #

1. 数字日期类（如6/16/2022、1/2022、8.2022、2008） #

这类格式用lubridate的多格式解析功能就能搞定，自动识别不同分隔符和精度：

library(lubridate)
library(dplyr)

# 定义所有可能的数字日期格式
num_formats <- c("m/d/Y", "m/Y", "m.Y", "Y")

# 解析日期，truncated=2允许缺失日/月部分
df <- df %>%
  mutate(parsed_date = parse_date_time(test_date, orders = num_formats, truncated = 2)) %>%
  # 提取年月，仅年份的默认设为1月
  mutate(mm = ifelse(is.na(month(parsed_date)), 1, month(parsed_date)),
         yyyy = year(parsed_date))

2. 相对日期类（如last year、21 mo ago、a few months ago） #

先清理文本提取时间信息，再基于当前日期计算目标年月：

library(stringr)

df <- df %>%
  # 提取数字，无数字的按场景赋值（last year=1年，a few months=3个月）
  mutate(time_num = case_when(
    grepl("last year", test_date) ~ 1,
    grepl("\\d+", test_date) ~ as.numeric(str_extract(test_date, "\\d+")),
    grepl("month", test_date) ~ 3,
    TRUE ~ 1
  ),
  # 判断时间单位
  time_unit = ifelse(grepl("year", test_date), "year", "month")) %>%
  # 计算相对日期
  mutate(parsed_date = case_when(
    time_unit == "year" ~ today() - years(time_num),
    time_unit == "month" ~ today() - months(time_num)
  )) %>%
  mutate(mm = month(parsed_date), yyyy = year(parsed_date))

注：模糊描述的默认值（如3个月）可根据业务需求调整，记得记录规则用于审计

3. 文本年月类（如November 2022） #

直接用lubridate的my()函数解析：

df <- df %>%
  mutate(parsed_date = my(test_date)) %>%
  mutate(mm = month(parsed_date), yyyy = year(parsed_date))

4. 未匹配项（剩余24%） #

对这类数据，尝试用正则提取潜在的年份或月份：

df <- df %>%
  # 提取4位数字作为年份
  mutate(yyyy = as.numeric(str_extract(test_date, "\\d{4}")),
         # 提取月份数字或文本
         mm_text = str_extract(test_date, "(January|February|March|April|May|June|July|August|September|October|November|December|\\d{1,2})"),
         mm = case_when(
           !is.na(mm_text) & grepl("\\d", mm_text) ~ as.numeric(mm_text),
           !is.na(mm_text) ~ match(mm_text, month.name),
           TRUE ~ 1 # 无月份信息默认1月
         )) %>%
  # 无年份的标记为NA，但尽量和资助方沟通是否接受模糊值
  mutate(yyyy = ifelse(is.na(yyyy), NA, yyyy))

推荐R包 #

• lubridate：日期处理的核心工具，支持多格式解析、相对时间计算，语法简洁
• stringr：文本清理和提取的必备包，轻松处理正则匹配
• dplyr：批量数据处理，用管道流实现清晰的转换逻辑

关键注意点 #

• 转换后抽查10-20%的样本，确保结果符合业务逻辑；
• 记录所有模糊值的处理规则，方便后续审计和沟通；
• 若部分数据实在无法转换，和资助方协商是否接受"未知年月"的标记，而非直接设为NA。

内容的提问来源于stack exchange，提问作者mrk