在R中提取列中日期并补全缺失年份的tidyverse方案求助

解决方案 #

核心思路是先对提取到的日期字符串按斜杠数量区分格式，再根据给定的时间范围补全缺失的年份，最后统一转为日期格式，全程使用tidyverse向量化运算，适配大数据集处理需求：

library(tidyverse)

db <- data.frame(A1 = c("review 11/18", "begins 12/4/19", "3/5/20", NA, "deadline 09/5/19", "9/3")) 

result <- db %>%
  # 提取由数字和斜杠组成的日期片段
  mutate(A2_raw = str_extract(A1, "[0-9/]+")) %>%
  # 按格式补全年份后转标准日期
  mutate(A2 = case_when(
    # 带年份的格式（2个斜杠）直接按规则解析
    str_count(A2_raw, "/") == 2 ~ as.Date(A2_raw, "%m/%d/%y"),
    # 不带年份的格式（1个斜杠）根据月份补对应年份
    str_count(A2_raw, "/") == 1 ~ case_when(
      # 月份≥9属于2019年
      as.integer(str_extract(A2_raw, "^\\d+")) >= 9 ~ as.Date(paste0(A2_raw, "/19"), "%m/%d/%y"),
      # 月份<9属于2020年
      TRUE ~ as.Date(paste0(A2_raw, "/20"), "%m/%d/%y")
    )
  ))

运行后输出的A2列结果如下，无缺失值：

关于as.Date格式的疑问解答 #

as.Date函数中指定的格式是输入解析规则，作用是告诉R传入的字符串每个位置对应的日期组件，不是输出显示格式。R内部会将日期统一存储为1970-01-01以来的天数数值，默认显示为YYYY-MM-DD格式。如果需要自定义显示样式，可以用format()函数将日期转为字符串，示例：format(A2, "%m/%d/%y")即可得到月/日/年格式的显示结果。

内容的提问来源于stack exchange，提问作者Michael Matta