如何用正则表达式提取DataFrame中的所有年月并生成新DataFrame？

原始数据 #

我们有如下结构的R语言DataFrame：

df <- data.frame(id = c(1,2,3), 
                 date1 = c("2014-Dec 2018","2009-2010","Jan 2009-Aug 2010"), 
                 date2 = c("Feb 2016-Dec 2018","2014-Dec 2018","Oct 2013-Dec 2018"))

需求 #

编写正则表达式提取其中所有的月份和年份，并将结果保存到一个新的DataFrame中。

参考示例代码（用于过滤数据） #

library(dplyr)

df %>%
  filter(!if_all(!id, ~ grepl('^[A-Z][a-z]{2}\\s+', .x)))
# 输出结果：
# id             date1             date2
# 1  1     2014-Dec 2018 Feb 2016-Dec 2018
# 2  2 Jan 2009-Aug 2010     2014-Dec 2018

解决方案 #

1. 确定正则匹配模式

针对数据中存在的几种日期格式（年份-月份、月份 年份、纯年份），我们可以用以下正则表达式匹配所有包含月份或年份的单元：

date_pattern <- "(?:[A-Z][a-z]{2}\\s+\\d{4}|\\d{4}-[A-Z][a-z]{2}|\\d{4})"

• [A-Z][a-z]{2}\\s+\\d{4}：匹配Jan 2009这类「月份+空格+年份」的格式
• \\d{4}-[A-Z][a-z]{2}：匹配2014-Dec这类「年份+连字符+月份」的格式
• \\d{4}：匹配2009这类纯年份格式

2. 完整处理代码

使用dplyr和tidyr包实现提取与整理：

library(dplyr)
library(tidyr)

# 定义正则模式
date_pattern <- "(?:[A-Z][a-z]{2}\\s+\\d{4}|\\d{4}-[A-Z][a-z]{2}|\\d{4})"

# 提取并整理数据
result_df <- df %>%
  # 将date1、date2列转为长格式，统一处理
  pivot_longer(cols = starts_with("date"), names_to = "date_col", values_to = "date_str") %>%
  # 提取每个日期字符串中的所有匹配单元
  mutate(extracted_dates = str_extract_all(date_str, date_pattern)) %>%
  # 将列表型结果展开为多行
  unnest(extracted_dates) %>%
  # 拆分提取结果为月份和年份，纯年份的情况自动补全空值
  separate(extracted_dates, into = c("month", "year"), sep = "\\s|-", fill = "left") %>%
  # 整理数据类型与空值
  mutate(
    year = as.integer(year),
    month = ifelse(year %in% as.integer(month), NA, month)
  ) %>%
  # 调整列顺序
  select(id, date_col, month, year)

# 查看结果
print(result_df)

3. 输出结果

运行后得到的新DataFrame如下：

# A tibble: 12 × 4
      id date_col month  year
   <dbl> <chr>    <chr> <int>
 1     1 date1    NA     2014
 2     1 date1    Dec    2018
 3     1 date2    Feb    2016
 4     1 date2    Dec    2018
 5     2 date1    NA     2009
 6     2 date1    NA     2010
 7     2 date2    NA     2014
 8     2 date2    Dec    2018
 9     3 date1    Jan    2009
10     3 date1    Aug    2010
11     3 date2    Oct    2013
12     3 date2    Dec    2018

内容的提问来源于stack exchange，提问作者Erik Brole