在R中的字符串之后提取日期答案

【问题标题】：Extract date after string in R在R中的字符串之后提取日期
【发布时间】：2021-07-08 04:02:30
【问题描述】：

我正在尝试使用 tidyr 的提取功能从 Notes 列中提取日期。我正在处理的数据如下所示：

dates <- data.frame(col1 = c("customer", "customer2", "customer3"),
                    Notes = c("DOB: 12/10/62
START: 09/01/2019
END: 09/01/2020", "
S/DATE: 28/08/19
R/DATE: 27/08/20", "DOB: 13/01/1980
Start:04/12/2018"),
                    End_date = NA,
                    Start_Date = NA )

我尝试像这样提取字符串“S/DATE”之后的日期：

extract <- extract(
  dates,
  col = "Notes",
  into = "Start_date",
  regex = "(?<=(S\\/DATE:)).*"  # Using regex lookahead
)

但是，这只会提取字符串“S/DATE:”，而不是之后的日期。当我在 regex101.com 上尝试此操作时，它按预期工作。

谢谢。易卜拉欣

【问题讨论】：

标签： r regex tidyr

【解决方案1】：

您可以在此处使用sub 作为基本 R 选项：

s_date <- ifelse(grepl("S/DATE", dates$Notes),
                 sub("^.*\\bS/DATE: (\\S+).*$", "\\1", dates$Notes), NA)
s_date

[1] NA         "28/08/19" NA

注意这里需要调用上面的grepl，因为如果S/DATE不是在文中找到。

【讨论】：

【解决方案2】：

一种方法也可以是这样的。（假设您需要 S/DATE 或 START，因为您预期的新列名称是 Start_date）。但是，如果不需要所有这些值，您可以轻松修改此语法。

解释-

在最里面的 expr Notes 列中，: 或 \n 中的任何一个分隔符已将其拆分为列表。
在此列表中，然后删除空白
在 Start 或 S/Date 旁边的修改列表项中使用 sapply 提取，这会将列表简化为向量（如果可能）
最后lubridate::dmy用于最外层的表达式。

sapply(strsplit(dates$Notes, 
                 "[: | \n]"), 
       function(x) subset(x, x != "")[1 + which(toupper(subset(x, x != "")) %in% c("S/DATE", "START"))])

[1] "09/01/2019" "28/08/19"   "04/12/2018"

如果您将以上内容包含在 lubridate::dmy 中，日期格式也会正确

dmy(sapply(strsplit(dates$Notes, 
                        "[: | \n]"), 
               function(x) subset(x, x != "")[1 + which(toupper(subset(x, x != "")) %in% c("S/DATE", "START"))]))

[1] "2019-01-09" "2019-08-28" "2018-12-04"

此外，这可以传递到 dplyr 管道中，以便同时在您的 dates 中创建一个新列

dates %>% mutate(Start_Date = dmy(sapply(strsplit(Notes, 
                                                  "[: | \n]"), 
                                         function(x) subset(x, x != "")[1 + which(toupper(subset(x, x != "")) %in% c("S/DATE", "START"))])))

       col1                                             Notes End_date Start_Date
1  customer DOB: 12/10/62\nSTART: 09/01/2019\nEND: 09/01/2020       NA 2019-01-09
2 customer2              \nS/DATE: 28/08/19\nR/DATE: 27/08/20       NA 2019-08-28
3 customer3                 DOB: 13/01/1980\nStart:04/12/2018       NA 2018-12-04

【讨论】：

【解决方案3】：

我会结合stringr 和lubridate：

dates %>% 
  mutate(
    Start_Date = 
      sub("\ns/date:", "\nstart:", tolower(Notes)) %>% 
      str_remove_all("(.*\nstart:)|(\n.*)") %>% 
      trimws() %>% 
      lubridate::dmy()
  )

#        col1                                             Notes End_date Start_Date
# 1  customer DOB: 12/10/62\nSTART: 09/01/2019\nEND: 09/01/2020       NA 2019-01-09
# 2 customer2              \nS/DATE: 28/08/19\nR/DATE: 27/08/20       NA 2019-08-28
# 3 customer3                 DOB: 13/01/1980\nStart:04/12/2018       NA 2018-12-04

答案不是那么简洁，但我发现它直观且易于遵循这些步骤。

首先，我将一个 start-pattern 替换为另一个 (sub)，其中我使用 tolower 来制作所有小写字母。然后我删除开始日期之前的所有内容，以及更改str_remove_all 之后的所有内容。最后我修剪空白 (trimws) 并变成日期 (lubridate::dmy)。

【讨论】：

【解决方案4】：

另一种方法是拆分文本并处理更小的块。

一步一步的图解，一行数据

# Split the text on newlines, yielding dates with labels
dates$Notes %>% head(1) %>% strsplit("\n")

[[1]]
[1] "DOB: 12/10/62"     "START: 09/01/2019" "END: 09/01/2020"

深入到下一个层次

# Split each name/value pair on colons
dates$Notes %>% head(1) %>% strsplit("\n") %>% 
    unlist() %>% strsplit(":\\s*")

[[1]]
[1] "DOB"      "12/10/62"

[[2]]
[1] "START"      "09/01/2019"

[[3]]
[1] "END"        "09/01/2020"

提取单个值

# extract a vector of name labels
dates$Notes %>% head(1) %>% strsplit("\n") %>% 
    unlist() %>% strsplit(":\\s*") %>%
    sapply(function(x) x[1])

[1] "DOB"   "START" "END" 


# extract a vector of associated values 
dates$Notes %>% head(1) %>% strsplit("\n") %>% 
    unlist() %>% strsplit(":\\s*") %>%
    sapply(function(x) x[2])

[1] "12/10/62"   "09/01/2019" "09/01/2020"

通过一些巧妙的dplyr 用法，您将获得一个数据框

dates %>%
    group_by(col1) %>%
    # summarize can collapse many rows into one or expand one into many
    summarize(
        name = Notes %>% strsplit("\n") %>%
            unlist() %>% strsplit(":\\s*") %>% 
            sapply(function(x) x[1]),
        value = Notes %>% strsplit("\n") %>% 
            unlist() %>% strsplit(":\\s*") %>% 
            sapply(function(x) x[2])
    ) %>%
    ungroup()

结果，所有值都已分离并准备好进行进一步处理

# A tibble: 8 x 3
  col1      name   value     
  <chr>     <chr>  <chr>     
1 customer  DOB    12/10/62  
2 customer  START  09/01/2019
3 customer  END    09/01/2020
4 customer2 NA     NA        
5 customer2 S/DATE 28/08/19  
6 customer2 R/DATE 27/08/20  
7 customer3 DOB    13/01/1980
8 customer3 Start  04/12/2018

【讨论】：