如何使用R清理dataframe中混乱的日期格式并提取年份

R实现多格式日期列提取首年份方案 #

核心思路 #

所有目标年份均为4位连续数值，无需适配各类日期格式，直接提取每个单元格中第一个出现的4位连续数字即可，空值、NA值保留原有状态。

注意：示例数据中第9行的NA为字符串格式，可先转为R原生缺失值再做处理，结果更符合预期。

方法1：base R实现 #

# 先将字符串"NA"转为原生缺失值
df$Date[df$Date == "NA"] <- NA_character_
# 正则匹配提取第一个4位数字
df$year <- sub(".*?(\\d{4}).*", "\\1", df$Date)
# 如需转为数值型可执行下行
# df$year <- as.integer(df$year)

方法2：tidyverse实现（可读性更高） #

library(dplyr)
library(stringr)

df <- df %>%
  # 先处理字符串NA
  mutate(Date = na_if(Date, "NA")) %>%
  # 提取第一个4位数字，空字符串保留为空
  mutate(year = case_when(
    Date == "" ~ "",
    TRUE ~ str_extract(Date, "\\d{4}")
  ))

执行以上代码后得到的结果完全匹配预期输出。

内容的提问来源于stack exchange，提问作者Ridwan Shittu