上一篇文章中，我们已删除了dataframe中不必要的行列，并学会了如何更改行索引。在这篇文章中，我会教大家清理特定的列并将它们化为统一格式，以使数据集更好看并且增强数据集的一致性。
首先我们回顾下上篇文章清理后的数据集
我们可以看到Date of Publication和Place of Publication这两列还是需要进行格式统一的。首先我们定位到Date of Publication列看一看
df.loc[1905:, 'Date of Publication'].head(10)
可以知道的是一本书的出版日期应该只有一个，但是我们发现原始数据集中有很多不规则或者错误的日期表示，因此，我们需要执行以下操作：
- 删除方括号中多余的日期，例如：1879 [1878]
- 将日期范围转换为它们的“开始日期”，例如：1860-63; 1839，38-54
明确了我们要做什么之后，这个时候就得用到正则表达式了
regex = r'^(d{4})'
关于正则表达式，随后我会专门写一篇文章，欢迎大家关注。在这儿你只要知道这个正则表达式的作用就是找到字符串的前4个数字就行了。
来看看在数据集中运行正则表达式抓取后是什么样子
extr = df1['Date of Publication'].str.extract(r'^(d{4})', expand=False)extr.head()
可以看到多余的年份被去除了只留下了前4个数字。这部分就算完成了。
然后我们再定位到Date of Publication列看一看
我们看到，对于Date of Publication列有很多不必要的信息。如果我们浏览更多的值，会发现只有出版地为“伦敦”或“牛津”的时候才会有无用信息。
这个时候怎么办呢？
我们首先的定位到包含”伦敦“或者”牛津“的格子然后再想办法修改，接着往下看
pub = df['Place of Publication']london = pub.str.contains('London')#通过str.contains完成定位工作london[:5]oxford = pub.str.contains('Oxford')
然后我们将其与np.where结合使用就可以达到替换的目的：
df['Place of Publication'] = np.where(london, 'London', np.where(oxford, 'Oxford', pub.str))df['Place of Publication'].head()
np.where(condition, x, y)
满足条件(condition)，输出x，不满足输出y。上面的用法就是满足包含London就输出London，包含牛津就输出牛津
可以看到出版地”伦敦“不必要的信息都没了，只留下”伦敦“，牛津也是如此。
此时我们再回头看处理过的数据集，见下图
我们可以看到Date of Publication和Place of Publication这两列是不是清晰多了？
最后总结一下，这篇文章主要运用了np.where，还有正则表达式替换。之前的行与列的处理见上篇文章(好像还在审核)，有兴趣的同学可以去看看。好了，今天就这么多，欢迎大家关注交流，一起进步，一个小白的python进阶之路。
发表这些东西的主要目的就是督促自己，希望大家关注评论指出不足，一起进步。内容我都会写的很细，并且按照文章中的代码自己也可以做出一样的结果，一个目的就是零基础也能懂，因为自己就是什么基础没有从零学Python的。
往期精彩：
Python初学者应避免的2个常见错误
机器学习实战：迷你数据库+超详细解释