如何在R语言中对数据框多列批量使用substr函数？

问题场景 #

假设我们有如下结构的DataFrame：

Column1,  Column2,  Column3
 a_2019    b_2020    c_2021
 d_2019    e_2020    f_2021
 a_2019    b_2020    c_2021
 d_2019    e_2020    f_2021

需要移除各列字符串中的_2019、_2020、_2021这类年份后缀。单独处理某一列时可以用：

df$Column1 <- substr(df$Column1, 1, nchar(df$Column1)-5)

但面对包含大量列的DataFrame时，直接调用df[,3:10]或lapply没生效，需要更优雅的批量处理方案。

解决方案 #

方法1：Base R 结合 lapply 批量处理 #

之前用lapply没生效，大概率是没把处理结果赋值回原DataFrame的对应列。只要完成赋值，就能轻松批量处理：

# 处理指定列（比如第3到10列）
df[, 3:10] <- lapply(df[, 3:10], function(x) substr(x, 1, nchar(x)-5))

# 自动识别所有字符型列并处理
char_cols <- sapply(df, is.character)
df[char_cols] <- lapply(df[char_cols], function(x) substr(x, 1, nchar(x)-5))

方法2：正则表达式灵活匹配（推荐） #

如果年份后缀是_20xx格式，用正则表达式能匹配任意四位年份，比固定截取长度更鲁棒（比如避免遇到不符合长度的字符串出错）：

# 处理指定列
df[, 3:10] <- lapply(df[, 3:10], function(x) sub("_20\\d{2}$", "", x))

# 处理所有字符型列
char_cols <- sapply(df, is.character)
df[char_cols] <- lapply(df[char_cols], function(x) sub("_20\\d{2}$", "", x))

这里_20\\d{2}$表示匹配字符串结尾的_20加两位数字，sub函数会把匹配到的部分替换为空字符串，精准移除年份后缀。

方法3：tidyverse 管道风格处理 #

如果习惯用dplyr这类tidyverse工具，可以用管道语法批量处理，代码更易读：

library(dplyr)

# 处理指定列
df <- df %>%
  mutate(across(3:10, ~sub("_20\\d{2}$", "", .x)))

# 处理所有字符型列
df <- df %>%
  mutate(across(where(is.character), ~sub("_20\\d{2}$", "", .x)))

across是dplyr 1.0.0版本之后的推荐写法，替代了旧版的mutate_at，逻辑更清晰。

内容的提问来源于stack exchange，提问作者René Martínez