如何高效从非标准日期数据中提取年、月、日列？

针对十万行以上的大数据集，逐行循环的sapply方法效率低下，推荐以下两种向量化/高效处理方案：

方案1：使用tidyr::separate（tidyverse生态） #

separate是专门用于拆分列的函数，底层为向量化实现，处理速度远快于逐行循环：

library(tidyr)

dates_df <- data.frame(dates = c("1985-03-23", "", "1983", "1984-01"))

# 拆分dates列，缺失部分用NA填充，保留原列
dates_df <- separate(dates_df, col = dates, into = c("year", "month", "day"), 
                     sep = "-", fill = "right", remove = FALSE)

# 将空字符串转为NA，匹配期望结果
dates_df[dates_df == ""] <- NA

该方法代码简洁，适合习惯tidyverse工作流的用户。

方案2：使用data.table::tstrsplit（大数据最优选择） #

data.table专为大数据处理优化，tstrsplit是其内置的快速字符串拆分函数，在十万甚至百万行数据上的处理速度会比tidyr更有优势：

library(data.table)

dates_df <- data.frame(dates = c("1985-03-23", "", "1983", "1984-01"))

# 转换为data.table对象
setDT(dates_df)

# 拆分dates列并生成新列
dates_df[, c("year", "month", "day") := tstrsplit(dates, "-", fixed = TRUE)]

# 空值转NA
dates_df[dates == "", c("year", "month", "day") := NA]

性能优势说明 #

原代码中的sapply本质是逐行遍历处理，属于低效的循环操作；而separate和tstrsplit都是向量化操作，底层通过C语言实现批量处理，避免了逐行循环的性能损耗，在大数据集上的速度提升非常明显。

内容的提问来源于stack exchange，提问作者flee