基于正则表达式在R中填充列：葡萄酒评论数据处理优化求助

从葡萄酒评论标题里精准提取年份这个需求，我太懂了——既要抓准不遗漏，又不想写一堆绕来绕去的代码。既然你已经有能用的方案，那我分享几个更优雅、更符合R现代编程风格的写法，不管你是用tidyverse还是data.table都能适配~

方法1：Tidyverse + Stringr 极简向量化写法 #

葡萄酒年份基本都是19xx或20xx的4位数字，用stringr的str_extract配合精准正则就能一步到位，还能避免把其他4位数字（比如批次号）误判为年份：

library(tidyverse)

# 假设你的数据集是wine_reviews
wine_reviews <- wine_reviews %>%
  mutate(year = str_extract(title, "\\b(19|20)\\d{2}\\b"))

这里的\\b是单词边界，确保我们匹配的是完整的年份数字，不会出现把“20230”里的“2023”或者标题里的其他数字片段误提的情况。如果遇到标题里有多个年份（比如“2018 vs 2020 赤霞珠对比”），可以换成str_extract_all，再用paste合并成字符串，根据你的需求调整就行。

方法2：处理无年份的健壮版 #

如果有些评论标题没有年份，或者用“NV”（Non-Vintage，无年份）标记，我们可以让代码更健壮，给这些情况一个清晰的标记：

wine_reviews <- wine_reviews %>%
  mutate(year = case_when(
    # 先匹配NV标记
    str_detect(title, "\\bNV\\b") ~ "Non-Vintage",
    # 再提取常规年份
    TRUE ~ str_extract(title, "\\b(19|20)\\d{2}\\b") %>% 
             str_replace_na(replacement = "Unknown")
  ))

这样不管标题里是有明确年份、标了NV，还是完全没年份，结果列都会有清晰的取值，后续分析也更方便。

方法3：Data.table 用户的高效写法 #

如果你用data.table处理大规模数据集，这种写法既简洁又高效，完全利用data.table的向量化操作：

library(data.table)

# 转换为data.table并新增year列
setDT(wine_reviews)[, year := str_extract(title, "\\b(19|20)\\d{2}\\b")]

# 同样可以扩展处理无年份的情况
setDT(wine_reviews)[, year := fifelse(
  is.na(str_extract(title, "\\b(19|20)\\d{2}\\b")),
  "Unknown",
  str_extract(title, "\\b(19|20)\\d{2}\\b")
)]

正则的小优化（应对特殊标题） #

如果你的数据里有一些特殊格式的标题，比如带“Vintage”字样（比如“Vintage 2019 Pinot Noir”），可以调整正则来精准匹配并清理：

wine_reviews <- wine_reviews %>%
  mutate(year = str_extract(title, "\\b(?:Vintage\\s+)?(19|20)\\d{2}\\b") %>%
           str_remove_all("Vintage\\s+"))

这个正则会匹配“Vintage 2019”或者直接“2019”的情况，然后自动去掉多余的“Vintage”字样，得到干净的年份数字。

这些方法都比循环分割、复杂条件判断要简洁得多，而且都是R里的向量化操作，处理大数据集的速度也更快，希望能帮到你~

内容的提问来源于stack exchange，提问作者Kier