如何将总统数据集‘Age atstart of presidency’列清洗为指定格式？

针对你需要将「Age at start of presidency」列统一为「X years, Y days」格式的需求，结合维基百科数据集的常见格式，给出以下Python pandas实现方案：

步骤1：分析原始数据格式 #

维基百科的该字段通常有3种常见形式：

• 完整格式：57 years, 80 days
• 仅年份：43 years
• 小数年份：54.5 years（需转换为年+天）

步骤2：编写正则提取与转换代码 #

import pandas as pd

# 读取数据集
df = pd.read_csv("presidents.csv")

# 用正则提取年、天数值，覆盖所有常见格式
extract_pattern = r'(?:(\d+(?:\.\d+)?) years?,?)?(?:\s*(\d+) days?)?'
df[['raw_years', 'raw_days']] = df["Age at start of presidency"].str.extract(extract_pattern)

# 处理空值与数据类型转换
df['raw_years'] = df['raw_years'].fillna(0).astype(float)
df['raw_days'] = df['raw_days'].fillna(0).astype(int)

# 将小数年份的小数部分转为天数
decimal_days = (df['raw_years'] % 1 * 365).round().astype(int)
df['final_years'] = df['raw_years'].astype(int)
df['final_days'] = df['raw_days'] + decimal_days

# 生成目标格式的清洗后列
df["Age at start of presidency"] = df.apply(
    lambda row: f"{row['final_years']} years, {row['final_days']} days",
    axis=1
)

# 清理中间辅助列（可选）
df = df.drop(['raw_years', 'raw_days', 'final_years', 'final_days'], axis=1)

正则表达式说明 #

(?:(\d+(?:\.\d+)?) years?,?)?(?:\s*(\d+) days?)?

• (?:(\d+(?:\.\d+)?) years?,?)?：匹配可选的年份部分，支持整数和小数年份，捕获年的数值
• (?:\s*(\d+) days?)?：匹配可选的天数部分，捕获天的数值

效果验证 #

• 输入57 years, 80 days → 输出57 years, 80 days
• 输入43 years → 输出43 years, 0 days
• 输入54.5 years → 输出54 years, 183 days

内容的提问来源于stack exchange，提问作者Yana Ghanim