如何在R语言中从movies数据框title列提取年份至year列？

嘿，我来帮你搞定这个提取电影年份的需求！处理超1万条数据的话，得用高效又靠谱的方法，下面两种方案都能快速完成任务，你可以根据自己的习惯选：

这个方案语法清晰，字符串处理能力强，适合习惯tidy风格的用户。如果还没安装tidyverse，先运行install.packages("tidyverse")安装。

# 加载tidyverse包
library(tidyverse)

# 同时清理title列并提取年份
movies <- movies %>%
  mutate(
    # 提取括号内的4位数字作为年份，转成数值型
    year = as.numeric(str_extract(title, "\\((\\d{4})\\)") %>% str_remove_all("[()]")),
    # 移除title里的"(年份)"部分，\\s*处理标题和括号间可能的空格
    title = str_remove(title, "\\s*\\(\\d{4}\\)")
  )

代码解释： #

• str_extract(title, "\\((\\d{4})\\)")：精准匹配标题里括号包裹的4位数字（也就是年份）
• str_remove_all("[()]")：把提取到的"(2017)"这类字符串里的括号去掉，得到纯数字
• str_remove(title, "\\s*\\(\\d{4}\\)")：移除标题末尾的年份部分，\\s*确保即使标题和括号之间有空格也能正确处理（比如"Movie Name (2020)"）

如果不想加载额外的包，用Base R的正则函数就能搞定，速度同样高效：

# 提取年份：用sub捕获括号内的4位数字
movies$year <- as.numeric(sub(".*\\((\\d{4})\\).*", "\\1", movies$title))

# 清理title列：移除"(年份)"部分
movies$title <- sub("\\s*\\(\\d{4}\\)", "", movies$title)

代码解释： #

• sub(".*\\((\\d{4})\\).*", "\\1", movies$title)：正则表达式里的\\1代表捕获到的第一个分组（也就是括号里的4位数字），直接提取出来作为年份
• sub("\\s*\\(\\d{4}\\)", "", movies$title)：和方案一逻辑一致，移除标题里的年份后缀

如果你的数据里存在部分没有年份的标题（比如"Unknown Movie"），可以加个判断避免出错：

用tidyverse处理缺失情况：

movies <- movies %>%
  mutate(
    # 先判断标题是否包含标准年份格式
    has_year = str_detect(title, "\\(\\d{4}\\)"),
    # 有年份就提取，没有就设为NA
    year = ifelse(has_year, as.numeric(str_extract(title, "\\((\\d{4})\\)") %>% str_remove_all("[()]")), NA),
    # 有年份就清理标题，没有就保持原样
    title = ifelse(has_year, str_remove(title, "\\s*\\(\\d{4}\\)"), title)
  )

用Base R处理缺失情况：

# 标记有年份的条目
has_year <- grepl("\\(\\d{4}\\)", movies$title)

# 提取年份，无年份的设为NA
movies$year <- NA
movies$year[has_year] <- as.numeric(sub(".*\\((\\d{4})\\).*", "\\1", movies$title[has_year]))

# 清理有年份的标题
movies$title[has_year] <- sub("\\s*\\(\\d{4}\\)", "", movies$title[has_year])

这两种方案处理1万条数据都毫无压力，运行速度很快，你可以放心用！

内容的提问来源于stack exchange，提问作者Quido W