读取xls/xlsx文件日期时的两位年份解析问题

作为生物统计师，日常处理调查人员提供的xls/xlsx表格时，常会遇到这类问题：转CSV后用R读取，未格式化的日期列以两位年份呈现，用as.Date()解析时，R默认将两位年份小于70的识别为20xx，导致1970年前的出生日期被错误转换（比如示例中的1/10/32被解析成2032-01-10，4/10/65变成2065-04-10）。不用每次都转回Excel改格式，以下几种简便方法可以解决：

1. 直接读取Excel文件（跳过CSV转换） #

绕开CSV转换步骤，用readxl包直接读取xls/xlsx文件，能保留Excel中日期的原始数值，自动识别为正确的Date类型，从根源避免两位年份的推断问题：

library(readxl)
# 自动推断列类型
test <- read_excel("your_data.xlsx")
# 手动指定列类型（示例：第一列为日期，其余自动推断）
test <- read_excel("your_data.xlsx", col_types = c("date", "guess", "guess"))

2. 针对已有CSV文件：自定义年份规则解析 #

如果已经拿到CSV文件，可手动拆分日期字符串，根据业务场景（比如出生日期）自定义年份归属：

library(dplyr)
library(tidyr)

test <- test %>%
  # 拆分日期为月、日、年
  separate(date, into = c("month", "day", "year"), sep = "/") %>%
  mutate(
    # 根据实际情况调整规则，示例：出生日期不晚于2023年
    year = case_when(
      as.integer(year) > 23 ~ paste0("19", year),
      TRUE ~ paste0("20", year)
    ),
    # 重新组合为标准日期格式
    date = as.Date(paste(month, day, year, sep = "/"), "%m/%d/%Y")
  ) %>%
  # 移除中间临时列
  select(-month, -day, -year)

3. 用lubridate包灵活设置年份截断点 #

lubridate的parse_date_time函数支持自定义年份截断规则，通过cutoff_year参数指定分界点：

library(lubridate)

test <- test %>%
  # 设置cutoff_year，两位年份大于等于该年份后两位的归为19xx
  mutate(date = parse_date_time(date, orders = "mdy", cutoff_year = 2023)) %>%
  # 转换为Date类型
  mutate(date = as.Date(date))

比如设置cutoff_year=2023，两位年份24及以上会被解析为1924，23及以下则为2023，可根据数据实际范围调整该参数。

内容的提问来源于stack exchange，提问作者scott9