Movielens CSV数据处理：extract拆分标题年份时无年份电影整行NA

我完全懂你的困扰——用extract()拆分时，那些不带年份的电影直接整行变成NA，这确实挺闹心的。问题根源在于extract()的默认规则：它要求正则表达式必须完全匹配整行字符串，如果某行不满足匹配条件，整行就会被替换成NA，而不是只让不匹配的year列显示NA。

修正后的代码 #

我们只需要调整正则表达式，让年份部分变成可选匹配，同时用非贪婪模式精准捕获标题：

library(tidyr)
movies <- extract(movies, title, c("title", "year"), 
                  regex = "^(.*?)(?: \\(([0-9\\-]*)\\))?$",
                  convert = TRUE)

代码细节解释 #

• ^(.*?)：用非贪婪匹配（*?）捕获标题内容，会在遇到第一个 (时停止匹配，避免把年份前的空格也误算进标题里。
• (?: \\(([0-9\\-]*)\\))?：这部分是可选匹配（末尾的?），其中：
  • (?:...)是非捕获组，不会生成多余的列；
  • \\(([0-9\\-]*)\\)专门捕获括号里的年份内容（支持单年份如1994或年份范围如2020-2021）；
  • 末尾的?表示整个年份模块可以不存在，这样无年份的行也能匹配成功，只会让year列显示NA。
• convert = TRUE：自动把year列转换成合适的数据类型（比如整数或字符），省去手动转换的麻烦。

实际效果示例 #

假设你的原始数据有这样的行：

运行修正后的代码后，结果会变成：

这样就不会再出现整行NA的情况啦！

内容的提问来源于stack exchange，提问作者mono1401