R语言：从字符串中提取最后一个年份并去除多余字符

看起来你的正则写法有几个小问题，导致没法正确提取到最后一个年份。我来帮你梳理下思路，给出两种可行的解决方案：

方案一：用正则直接提取最后一个4位年份 #

这个方法最简洁，利用负向预查来定位字符串中最后出现的4位数字：

library(stringr)

# 直接提取每个字符串里的最后一个4位年份
df$CleanedYear <- str_extract(df$Year, "\\d{4}(?!.*\\d{4})")

正则解释： #

• \\d{4}：匹配连续4个数字（也就是我们要的4位年份）
• (?!.*\\d{4})：这是负向预查规则，意思是"当前匹配的4位数字后面，不能再出现任何4位数字"，这样就确保我们拿到的是字符串里最后一个有效4位年份。

测试你的示例字符串：

test1 <- "2001鈥�2013鈥�2016鈥�2003鈥�2012鈥�013"
test2 <- "2013鈥�1993鈥�007, 2010鈥�"

str_extract(test1, "\\d{4}(?!.*\\d{4})") # 输出 "2012"
str_extract(test2, "\\d{4}(?!.*\\d{4})") # 输出 "2010"

完全符合你的需求！

方案二：分步处理（更灵活，适合复杂场景） #

如果你的数据里有更多特殊情况（比如混合了不同格式的年份），可以用分步处理的方式，更可控：

library(stringr)
library(purrr)

df$CleanedYear <- map_chr(df$Year, function(x) {
  # 1. 把所有非数字的字符（乱码、逗号、破折号等）替换成空格
  cleaned <- str_replace_all(x, "[^0-9]", " ")
  # 2. 去除多余空格并拆分成单个元素
  year_parts <- str_split(str_squish(cleaned), " ")[[1]]
  # 3. 筛选出4位的有效年份
  valid_years <- year_parts[str_length(year_parts) == 4]
  # 4. 取最后一个有效年份，没有的话返回NA
  if (length(valid_years) > 0) last(valid_years) else NA_character_
})

这个方法先把所有干扰字符清理掉，再筛选有效年份，最后取最后一个，适合处理更复杂的字符串格式。

为什么你的原代码无效？ #

你写的unlist(str_extract_all(df$Year, "[[:digit:]]4$"))有三个关键问题：

1. 正则语法错误：[[:digit:]]4表示"匹配一个数字+字符4"，而不是"4个数字"，正确的写法应该是[[:digit:]]{4}（用大括号指定重复次数）。
2. 锚定位置错误：$表示匹配字符串的结尾，但你的很多字符串结尾是乱码或符号，不是4位数字，所以根本匹配不到内容。
3. str_extract_all会提取所有匹配的结果，但你只需要最后一个，用这个函数反而多了一步不必要的处理。

内容的提问来源于stack exchange，提问作者Helena