上一篇文章中，我們已删除了dataframe中不必要的行列，并學會了如何更改行索引。在這篇文章中，我會教大家清理特定的列并将它們化為統一格式，以使資料集更好看并且增強資料集的一緻性。
首先我們回顧下上篇文章清理後的資料集
我們可以看到Date of Publication和Place of Publication這兩列還是需要進行格式統一的。首先我們定位到Date of Publication列看一看
df.loc[1905:, 'Date of Publication'].head(10)
可以知道的是一本書的出版日期應該隻有一個，但是我們發現原始資料集中有很多不規則或者錯誤的日期表示，是以，我們需要執行以下操作：
- 删除方括号中多餘的日期，例如：1879 [1878]
- 将日期範圍轉換為它們的“開始日期”，例如：1860-63; 1839，38-54
明确了我們要做什麼之後，這個時候就得用到正規表達式了
regex = r'^(d{4})'
關于正規表達式，随後我會專門寫一篇文章，歡迎大家關注。在這兒你隻要知道這個正規表達式的作用就是找到字元串的前4個數字就行了。
來看看在資料集中運作正規表達式抓取後是什麼樣子
extr = df1['Date of Publication'].str.extract(r'^(d{4})', expand=False)extr.head()
可以看到多餘的年份被去除了隻留下了前4個數字。這部分就算完成了。
然後我們再定位到Date of Publication列看一看
我們看到，對于Date of Publication列有很多不必要的資訊。如果我們浏覽更多的值，會發現隻有出版地為“倫敦”或“牛津”的時候才會有無用資訊。
這個時候怎麼辦呢？
我們首先的定位到包含”倫敦“或者”牛津“的格子然後再想辦法修改，接着往下看
pub = df['Place of Publication']london = pub.str.contains('London')#通過str.contains完成定位工作london[:5]oxford = pub.str.contains('Oxford')
然後我們将其與np.where結合使用就可以達到替換的目的：
df['Place of Publication'] = np.where(london, 'London', np.where(oxford, 'Oxford', pub.str))df['Place of Publication'].head()
np.where(condition, x, y)
滿足條件(condition)，輸出x，不滿足輸出y。上面的用法就是滿足包含London就輸出London，包含牛津就輸出牛津
可以看到出版地”倫敦“不必要的資訊都沒了，隻留下”倫敦“，牛津也是如此。
此時我們再回頭看處理過的資料集，見下圖
我們可以看到Date of Publication和Place of Publication這兩列是不是清晰多了？
最後總結一下，這篇文章主要運用了np.where，還有正規表達式替換。之前的行與列的處理見上篇文章(好像還在稽核)，有興趣的同學可以去看看。好了，今天就這麼多，歡迎大家關注交流，一起進步，一個小白的python進階之路。
發表這些東西的主要目的就是督促自己，希望大家關注評論指出不足，一起進步。内容我都會寫的很細，并且按照文章中的代碼自己也可以做出一樣的結果，一個目的就是零基礎也能懂，因為自己就是什麼基礎沒有從零學Python的。
往期精彩：
Python初學者應避免的2個常見錯誤
機器學習實戰：迷你資料庫+超詳細解釋