Trouver l'année dans des données aléatoires dans R

Il existe de nombreuses façons. Voici l'un d'entre eux:

Étape 1 : définissez un modèle que vous souhaitez faire correspondre avec l'expression régulière:

years <- ifelse(grepl("(1|2)\\d{3}", id_3), str_extract(id_3,"(1|2)\\d{3}"), NA)
years
[1] "2013" "2014" "2016" "1990" NA     NA 

Étape 2 : définissez une fonction pour extraire les correspondances brutes:

id_3 <- c("regkfg_2013", "fsgdf-2014", "f2016sghsg", "gjdg1990_3759", "gbgbgbgb", "hnhna25") 

Étape 3 : appliquez la fonction à vos données, par exemple, id_1 :

years <- str_extract(id_1,"(1|2)\\d{3}") 
years
[1] "2013" "2014" "2016" "1990"

Voici une autre façon, en fait plus simple;)

Il utilise la fonction str_extract du stringr package. Vous installez donc le package et l'activez:

install.packages("stringr")
library(stringr)

et utilisez str_extract pour extraire vos correspondances:

extract(id_1)
[1] "2013" "2014" "2016" "1990"

En vous basant sur l'exemple de votre question, vous essayez de filtrer toutes les lignes sans années, puis d'extraire l'année de la chaîne. Il semble que chaque ligne ne contient qu'un an. Voici du code pour que vous n'ayez pas à écrire de longues instructions de filtre pour 10 colonnes et 30 ans. Gardez à l'esprit que je n'ai pas vos données donc je n'ai pas pu les tester.

undated_data %>%
  select(1:71) %>%
  filter_at(vars(starts_with("id_"), any_vars(grepl(paste0(1990:2019, collapse = "|"), .)))) %>%
  mutate_at(vars(starts_with("id_")), list(year = ~str_extract(., pattern = paste0(1990:2019, collapse = "|")))) %>%
  mutate(year = coalesce(ends_with("_year"))) %>%
  select(-ends_with("_year"))

MODIFIER: d'après votre commentaire, il semble que certaines colonnes ont un an et d'autres pas. Ce que nous faisons à la place est d'extraire l'année de n'importe quelle colonne avec id_ * , puis nous fusionnons les colonnes ensemble. Encore une fois, sans vos données, il est difficile de tester cela.

library(tidyverse)

undated_data %>%
  select(1:71) %>%
  filter_at(vars(starts_with("id_"), any_vars(grepl(paste0(1990:2019, collapse = "|"), .)))) %>%
  mutate(year = str_extract(id_1, pattern = paste0(1990:2019, collapse = "|")))

En utilisant les méthodes tidyverse:

undated_data %>% 
  mutate_at(vars(1:71), 
            funs(str_extract(., "(1|2)[0-9]{3}")))

(Notez que le modèle d'expression régulière correspondra à des nombres qui peuvent ne pas être des années, comme 2999; si vos données ont beaucoup de "faux positifs" comme ça, vous mieux vaut peut-être écrire une fonction personnalisée.)

Voici une solution similaire à celle fournie, mais en utilisant dplyr et stringr sur un data.frame .

library(stringr)
library(dplyr)

df<-data.frame("X1" = id_1,"X2" = id_2)
#Set in cols the column names from which years are going to be extracted
df %>%
  pivot_longer(cols = c("X1","X2"), names_to = "id") %>%
  arrange(id) %>%
  mutate(new = unlist(str_extract_all(value, pattern = "(1|2)\\d{3}")))

Voici peut-être une autre solution.

Nous utilisons simplement la fonction gsub () et définissons le motif comme ". (199 [0-9] | 20 [01] [0- 9]). ".

Le modèle capture le texte d'une année entre 1990 et 2019 sous la forme d'un résultat du groupe, en particulier un seul groupe, nous remplaçons donc le texte original par une première chaîne de groupe :)

library(magrittr)
id_1 <- c("regkfg_2013", "fsgdf-2014", "f2016sghsg", "gjdg1990_3759")
id_2 <- c("dghdgl2013jg", "2fgdg_2014_hf", "ghdg_2016*89", "gc-hs1990")

gsub(".*(199[0-9]|20[01][0-9]).*","\\1",id_1)
# [1] "2013" "2014" "2016" "1990"

gsub(".*(199[0-9]|20[01][0-9]).*","\\1",id_2)
#[1] "2013" "2014" "2016" "1990"

Solution de base R:

# Sample data: id_1; id_2 => character vectors
id_1 <- c("regkfg_2013", "fsgdf-2014", "f2016sghsg", "gjdg1990_3759")
id_2 <- c("dghdgl2013jg", "2fgdg_2014_hf", "ghdg_2016*89", "gc-hs1990")

# Thanks @Chris Ruehlemann: store the date pattern: date_pattern => character scalar
date_pattern <- "(1|2)\\d{3}"

# Convert to data.frame: df => data.frame 
df <- data.frame(id_1, id_2, stringsAsFactors = FALSE)

# Subset the data to only contain date information vectors: dates_subset => data.frame 
dates_subset <- df[,sapply(df, function(x){any(grepl(date_pattern, x))}), drop = FALSE]

# Initialse the year vector: year => character vector: 
df$years <- NA_character_

# Remove punctuation and letters, return valid dates, combine into a, comma-separated string:
# Store the dates found in the string: years => character vector 
df$years[which(rowSums(Vectorize(grepl)(date_pattern, dates_subset)) > 0)] <- 
  apply(sapply(dates_subset, function(x){
    grep(date_pattern,  unlist(strsplit(x, "[[:punct:]]|[a-zA-Z]")), value = TRUE)}), 
    1, paste, collapse = ", ")