从列中提取日期并在 R 中缺少年份时添加年份
Posted
技术标签:
【中文标题】从列中提取日期并在 R 中缺少年份时添加年份【英文标题】:Extracting a date from a column and adding the year if missing in R 【发布时间】:2021-12-31 05:09:44 【问题描述】:我正在尝试从文本中提取日期并在数据集中创建一个新列。在 A1 列中以不同的格式输入日期(mm-dd-yy 或 mm-dd)。我需要找到一种方法来识别 A1 列中的日期,然后在缺少年份时添加年份。到目前为止,无论格式如何,我都能够提取日期;但是,当我在新列 A2 上使用 as.Date 时,mm-dd 格式的日期变为<NA>
。我知道对于这种情况可能没有直接的解决方案,但是解决方法(可推广到更大的数据集)会很棒。这一年将从 2019 年 9 月到 2020 年 8 月。此外,我不确定为什么我在 as.Date
函数中使用的格式无法控制日期的显示方式。后一个问题并不那么重要,但我对 R 函数的行为感到惊讶。非常感谢 tidyverse 中的解决方案。
library(tidyverse)
library(stringr)
db <- data.frame(A1 = c("review 11/18", "begins 12/4/19", "3/5/20", NA, "deadline 09/5/19", "9/3"))
db %>% mutate(A2 = str_extract(A1, "[0-9/0-9]+"))
# A1 A2
#1 review 11/18 11/18
#2 begins 12/4/19 12/4/19
#3 3/5/20 3/5/20
#4 <NA> <NA>
#5 deadline 09/5/19 09/5/19
#6 9/3 9/3
db %>% mutate(A2 = str_extract(A1, "[0-9/0-9]+")) %>%
mutate(A2 = A2 %>% as.Date(., "%m/%d/%y"))
# A1 A2
# 1 review 11/18 <NA>
# 2 begins 12/4/19 2019-12-04
# 3 3/5/20 2020-03-05
# 4 <NA> <NA>
# 5 deadline 09/5/19 2019-09-05
# 6 9/3 <NA>
【问题讨论】:
【参考方案1】:也许:
library(tidyverse)
db <- data.frame(A1 = c("review 11/18", "begins 12/4/19", "3/5/20", NA, "deadline 09/5/19", "9/3"))
#year from september to august 2019
(db <-
db %>%
mutate(A2 = str_extract(A1, '[\\d\\d/]+'),
A2 = if_else(str_count(A2, '/') == 1 & as.numeric(str_extract(A2, '\\d+')) > 8, paste0(A2, '/19'), A2),
A2 = if_else(str_count(A2, '/') == 1 & as.numeric(str_extract(A2, '\\d+')) <= 8, paste0(A2, '/20'), A2),
A2 = as.Date(A2, "%m/%d/%y")) )
#> A1 A2
#> 1 review 11/18 2019-11-18
#> 2 begins 12/4/19 2019-12-04
#> 3 3/5/20 2020-03-05
#> 4 <NA> <NA>
#> 5 deadline 09/5/19 2019-09-05
#> 6 9/3 2019-09-03
由reprex package (v2.0.1) 于 2021 年 11 月 21 日创建
【讨论】:
非常好!没想到string_count()
为"/"
。允许更短的表达式【参考方案2】:
我喜欢 rematch2 包用于许多正则表达式场景。
第一个模式尝试匹配完整的 m/d/y 值。第二种模式尝试匹配部分 m/d 值(此外,它将月份与日期分开,因此可以确定应该是 2019 年还是 2020 年)。
一旦这些部分被分离出来,剩下的只是一系列小步骤。
db |>
rematch2::bind_re_match(from = A1, "^.*?(?<mdy>\\d1,2/\\d1,2/\\d2)$") |>
rematch2::bind_re_match(from = A1, "^.*?(?<md_m>\\d1,2)/(?<md_d>\\d1,2)$") |>
dplyr::mutate(
md_m = as.integer(md_m),
md_y = dplyr::if_else(9L <= md_m, "19", "20"), # It's 2019 if the month is Sept or later
md = sprintf("%i/%s/%s", md_m, md_d, md_y), # Assemble components
md = as.Date(md , "%m/%d/%y"), # Convert data type
mdy = as.Date(mdy, "%m/%d/%y"), # Convert data type
date = dplyr::coalesce(mdy, md), # Prefer the mdy if it's not missing
)
输出:
A1 mdy md_m md_d md_y md date
1 review 11/18 <NA> 11 18 19 2019-11-18 2019-11-18
2 begins 12/4/19 2019-12-04 4 19 20 2020-04-19 2019-12-04
3 3/5/20 2020-03-05 5 20 20 2020-05-20 2020-03-05
4 <NA> <NA> NA <NA> <NA> <NA> <NA>
5 deadline 09/5/19 2019-09-05 5 19 20 2020-05-19 2019-09-05
6 9/3 <NA> 9 3 19 2019-09-03 2019-09-03
【讨论】:
【参考方案3】:嗯,这既不是一个漂亮、简洁或整洁的解决方案,但它确实有效,并且在模块化方面应该是灵活的。
library(tidyverse)
db <- data.frame(A1 = c("review 11/18", "begins 12/4/19", "3/5/20", NA, "deadline 09/5/19", "9/3"))
db <- db %>% mutate(A2 = str_extract(A1, "[0-9/0-9]+"), A2 = str_extract(A1, "[0-9/0-9]+"))
test1 <- unlist(lapply(str_split(db$A2, "/", n = 3), function(x) length(x)))
test2 <- lapply(str_split(db$A2, "/", n = 3), function(x) as.numeric(x))
if(test1 == 2)
if(test2[[1]] >= 9)
db$A2 <- ifelse(test = between(nchar(db$A2), 3, 5) & !is.na(db$A2), yes = paste0(db$A2, "/19"), no = db$A2)
if(test2[[1]] < 9)
db$A2 <- ifelse(test = between(nchar(db$A2), 3, 5) & !is.na(db$A2), yes = paste0(db$A2, "/20"), no = db$A2)
db <- db %>% mutate(A2 = A2 %>% as.Date(., "%m/%d/%y"))
db
A1 A2
1 review 11/18 2019-11-18
2 begins 12/4/19 2019-12-04
3 3/5/20 2020-03-05
4 <NA> <NA>
5 deadline 09/5/19 2019-09-05
6 9/3 2019-09-03
【讨论】:
以上是关于从列中提取日期并在 R 中缺少年份时添加年份的主要内容,如果未能解决你的问题,请参考以下文章
Postgres / Redshift:在一次调用中从组的日期列中提取季度和年份?