在 R 中稳健地解析可变格式的日期答案

【问题标题】：Robustly parse variably formatted dates in R在 R 中稳健地解析可变格式的日期
【发布时间】：2016-03-23 01:29:16
【问题描述】：

我正在尝试将字符转换为日期。日期具有异构格式，我希望不必单独编码每种日期格式（并指定哪些格式属于哪些元素，例如，grepl）。

这是我的测试数据：

test <- c(
  "2012-11-11", "12-5-23", "12/5/86", "2015-12-16 1300", 
  "8/6/92 3:00", "11/6/14 4", "10/31/14 52", 
  "06/15/2014 14:37", "2/10/06", "95-06-26", "82-10-03"
)

期望的结果：

as.POSIXct(c("2012-11-11 00:00:00 UTC", "2012-05-23 00:00:00 UTC", "1986-12-05 00:00:00 UTC", "2015-12-16 13:00:00 UTC", "1992-08-06 03:00:00 UTC", "2011-06-14 04:00:00 UTC", "2014-10-31 00:52:00 UTC", "2014-06-15 14:37:00 UTC", "2006-02-10 00:00:00 UTC", "1995-06-26 00:00:00 UTC", "1982-10-03 00:00:00 UTC"), tz="UTC")

我意识到test 中的一些奇怪时间（如 4 或 53）可能无法明确解析，但对于那些我最想确保随机时间不会搞砸日期的人。

这是我的最佳尝试：

orders <- paste(rep(c("ymd", "mdy", "Ymd"),each=3), c("HM","H","M"))
lubridate::parse_date_time(test, orders=orders, truncated=2)

[1] "2012-11-11 00:00:00 UTC" "0012-05-23 00:00:00 UTC" "1986-12-05 00:00:00 UTC" "2015-12-16 13:00:00 UTC" "0092-08-06 03:00:00 UTC" "2011-06-14 04:00:00 UTC"
[7] "2014-10-31 00:52:00 UTC" "2014-06-15 14:37:00 UTC" "2006-02-10 00:00:00 UTC" "0095-06-26 00:00:00 UTC" "0082-10-03 00:00:00 UTC"

问题是它在 2 位数年份上弄错了世纪。令人惊讶的是，这很好用：

parse_date_time(test[2], orders=orders[1], truncated=2)
[1] "2012-05-23 UTC"

在?parse_date_time中有一条注释：

注意：ymd 系列函数基于 strptime，目前无法解析 %y-%m 格式。

但这不应该在这里适用，因为 1）我有一天，2）当我只有一个没有世纪的年份时，它似乎工作。我认为我的规范中的问题在于它如何与猜测/训练交互。

我认为，Lubridate 几乎可以让这项令人厌烦的任务变得轻松许多。有没有办法获得 lubridate 或任何其他方法来一般解析 test 中的日期？

【问题讨论】：

这根本不可能。 12-1-5
@CasimiretHippolyte 有些情况是模棱两可的。但上下文也很重要。我一直在想这个。 test 中的格式并不总是存在于完全相同的数据集中；所以也许我的例子具有误导性。任何给定的数据集可能有 1-3 种格式，但在数据集中，它们通常没有会导致歧义的可变格式。例如，可能有 12-12-12、12-1-23、1923-12-14 合二为一。

标签： regex r date

【解决方案1】：

This answer 只针对错误世纪的特定症状；尽管这是我在测试数据中注意到的唯一问题。我很高兴看到其他人采用稳健转换日期的方法；如果我学到了什么，那就是日期格式总是有更多的惊喜，而且它们通常有解决方案。但是现在，通过严重依赖链接的答案，这是我最好的：

foo <- function(x, orders, year=1940, ...){
  requireNamespace("lubridate", quietly=TRUE)
  x <- lubridate::parse_date_time(x, orders=orders, ...)
  m <- lubridate::year(x) %% 100
  year(x) <- ifelse(m > year %% 100, 1900+m, 2000+m)
  x
}

orders <- paste(rep(c("ymd", "mdy", "Ymd"),each=3), c("HM","H","M"))
foo(test, orders, truncated=2)

 [1] "2012-11-11 00:00:00 UTC" "2012-05-23 00:00:00 UTC" "1986-12-05 00:00:00 UTC" "2015-12-16 13:00:00 UTC" "1992-08-06 03:00:00 UTC" "2011-06-14 04:00:00 UTC"
 [7] "2014-10-31 00:52:00 UTC" "2014-06-15 14:37:00 UTC" "2006-02-10 00:00:00 UTC" "1995-06-26 00:00:00 UTC" "1982-10-03 00:00:00 UTC"

year 参数基本上应该是字符日期向量中出现的最早年份，x。

【讨论】：