从列中提取日期并在 R 中缺少年份时添加年份

Posted 2023-02-14

【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>

【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

【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