如何清洗year列并保留列数据？实现年份值标准化处理

原始数据 #

# 原始数据结构
df <- structure(list(year = c("Mar-10", "2014", "May-August", 
"2009/2010", "2015", NA_character_), date = c("August 31st, 2010", "March 13th, 2015", 
"May 31st, 2010", "June 16th, 2010", "May 18th, 2010", "April 7th, 2010")), row.names = c(NA, 
-6L), class = c("tbl_df", "tbl", "data.frame"))

# 查看数据
df
# # A tibble: 6 × 2
#   year       date             
#   <chr>      <chr>            
# 1 Mar-10     August 31st, 2010
# 2 2014       March 13th, 2015 
# 3 May-August May 31st, 2010   
# 4 2009/2010  June 16th, 2010  
# 5 2015       May 18th, 2010   
# 6 NA         April 7th, 2010 

清洗需求 #

需按照以下规则清洗year列，保留所有行：

• 若year为标准4位年份（如"2014"），直接保留原值；
• 若year为短格式年月（如"Mar-10"），转换为对应4位年份（如2010）；
• 若year无法确定单一整年（如"May-August"、"2009/2010"）或为NA，从date列提取年份填充。

实现代码 #

使用dplyr结合stringr完成清洗，代码如下：

library(dplyr)
library(stringr)

cleaned_df <- df %>%
  # 从date列提取年份作为备用值
  mutate(date_year = str_extract(date, "\\d{4}")) %>%
  # 按规则处理year列
  mutate(
    year = case_when(
      # 匹配标准4位年份，直接保留
      str_detect(year, "^\\d{4}$") ~ year,
      # 匹配MM-YY格式，转换为20YY的4位年份
      str_detect(year, "^[A-Za-z]{3}-\\d{2}$") ~ paste0("20", str_extract(year, "\\d{2}")),
      # 其他所有情况，使用date列提取的年份
      TRUE ~ date_year
    )
  ) %>%
  # 移除临时辅助列
  select(-date_year)

# 查看清洗后的数据
cleaned_df
# # A tibble: 6 × 2
#   year  date             
#   <chr> <chr>            
# 1 2010  August 31st, 2010
# 2 2014  March 13th, 2015 
# 3 2010  May 31st, 2010   
# 4 2010  June 16th, 2010  
# 5 2015  May 18th, 2010   
# 6 2010  April 7th, 2010

代码解释 #

1. 提取备用年份：用str_extract(date, "\\d{4}")从date字符串中匹配4位数字，得到每个日期对应的年份，存入临时列date_year；
2. 分支处理year列：
   • 第一个分支：通过正则^\\d{4}$识别标准4位年份，直接保留；
   • 第二个分支：通过正则^[A-Za-z]{3}-\\d{2}$识别"Mar-10"这类短格式年月，提取末尾两位数字并拼接"20"得到4位年份；
   • 第三个分支：覆盖所有无法直接识别的情况（范围型年份、NA等），直接使用date_year的值；
3. 清理临时列：最后移除辅助用的date_year，得到符合要求的结果。

内容的提问来源于stack exchange，提问作者DariusMT7