删除日期（以任何格式）形成文本列

Question

希望大家都好。 在我的数据集中有包含自由文本的列。 我的目标是从文本中删除任何格式的所有日期。 这是数据的快照

df <- data.frame(
  text=c('tommorow is 2022 11 03',"I married on 2020-01-01",
         'why not going there on 2023/01/14','2023 08 01 will be great'))
df %>% select(text)

                               text
1            tommorow is 2022 11 03
2           I married on 2020-01-01
3 why not going there on 2023/01/14
4          2023 08 01 will be great

结果应该是这样的

               text
1            tommorow is 
2            I married on 
3            why not going there on 
4            will be great

谢谢！

Answer 1

最好的方法可能是有一个敏感的正则表达式模式：

df <- data.frame(
  text=c('tommorow is 2022 11 03',"I married on 2020-01-01",
         'why not going there on 2023/01/14','2023 08 01 will be great'))

library(tidyverse)

df |>
  mutate(left_text = str_trim(str_remove(text, "\\d{1,4}\\D\\d{1,2}\\D\\d{1,4}")))

#>                                text              left_text
#> 1            tommorow is 2022 11 03            tommorow is
#> 2           I married on 2020-01-01           I married on
#> 3 why not going there on 2023/01/14 why not going there on
#> 4          2023 08 01 will be great          will be great

这将通过以下方式匹配日期：

• \\d{1,4} = 以月（1-2 个数字字符）、日（1-2 个字符）或年（2-4 个字符）开始； 其次是
• \\D = 任何不是数字的东西，即分隔符； 其次是
• \\d{1,2} = 日或月（1-2 个字符）； 其次是
• \\D再次; 以
• \\d{1,4} = 日或年（1-2 或 2-4 个字符）

挑战在于平衡敏感性和特异性。 这不应该删除明显不是日期的数字，但可能会遗漏：

• 没有年份的日期
• 没有分隔符的日期
• 各部分之间有双空格的日期

但希望应该在您的文本栏中抓住每个明智的日期！

更多日期检测示例：

library(tidyverse)

df <- data.frame(
  text = c(
    'tommorow is 2022 11 03',
    "I married on 2020-01-01",
    'why not going there on 2023/01/14',
    '2023 08 01 will be great',
    'A trickier example: January 05,2020',
    'or try Oct 2010',
    'dec 21/22 is another date'
  )
)


df |>
  mutate(left_text = str_remove(text, "\\d{1,4}\\D\\d{1,2}\\D\\d{1,4}") |> 
           str_remove(regex(paste0("(", paste(month.name, collapse = "|"),
                                   ")(\\D+\\d{1,2})?\\D+\\d{1,4}"),
                            ignore_case = TRUE)) |> 
           str_remove(regex(paste0("(", paste(month.abb, collapse = "|"),
                                   ")(\\D+\\d{1,2})?\\D+\\d{1,4}"),
                            ignore_case = TRUE)) |> 
           str_trim())

#>                                  text              left_text
#> 1              tommorow is 2022 11 03            tommorow is
#> 2             I married on 2020-01-01           I married on
#> 3   why not going there on 2023/01/14 why not going there on
#> 4            2023 08 01 will be great          will be great
#> 5 A trickier example: January 05,2020    A trickier example:
#> 6                     or try Oct 2010                 or try
#> 7           dec 21/22 is another date        is another date

编辑 2 - 进行替换（使用临时占位符）

df |>
  mutate(left_text = str_replace(text, "\\d{1,4}\\D\\d{1,2}\\D\\d{1,4}", "REP_DATE") |> 
           str_replace(regex(paste0("(", paste(month.name, collapse = "|"),
                                   ")(\\D+\\d{1,2})?\\D+\\d{1,4}"),
                            ignore_case = TRUE), "REP_DATE") |> 
           str_replace(regex(paste0("(", paste(month.abb, collapse = "|"),
                                   ")(\\D+\\d{1,2})?\\D+\\d{1,4}"),
                            ignore_case = TRUE), "REP_DATE") |> 
           str_replace("REP_DATE", "25th October 2022"))