数据清洗中年份格式统一问题：如何修复短年份转换错误？

问题分析 #

你的代码处理2010-14时返回0-14，核心原因是：

• 未统一将输入转为字符串，非字符串类型的年份会触发异常处理逻辑
• 未处理包含多个-的异常格式（比如误输入的2010-0-14）
• 未去除字符串中的空格等隐藏字符，导致分割后的长度判断错误

修正后的代码 #

def clean_year(year):
    # 统一转换为字符串并去除首尾空白
    year_str = str(year).strip()
    
    # 处理空值或无效输入
    if not year_str:
        return None
    
    # 匹配4位纯数字年份
    if year_str.isdigit() and len(year_str) == 4:
        return year_str
    
    # 处理含分隔符的年份范围
    elif '-' in year_str:
        # 按'-'分割所有部分，取最后一段作为结束年份
        parts = year_str.split('-')
        end_part = parts[-1].strip()
        
        # 处理2位年份后缀（默认补20前缀，若涉及90年代可调整为19）
        if len(end_part) == 2 and end_part.isdigit():
            return f'20{end_part}'
        # 处理4位结束年份
        elif len(end_part) == 4 and end_part.isdigit():
            return end_part
        # 无效格式返回None，方便后续筛选处理
        else:
            return None
    # 其他格式返回None
    else:
        return None

dataset1['Year'] = dataset1['Year'].apply(clean_year)

代码说明 #

1. 统一类型处理：先将所有输入转为字符串并去空白，避免整数、浮点数等非字符串类型引发的操作错误
2. 兼容多分隔符：分割后取最后一段，即使存在多个-也能正确提取最晚年份
3. 格式校验：增加isdigit()判断，过滤非数字内容干扰
4. 异常兜底：对空值、无效格式返回None，便于后续清洗或标记异常数据

内容的提问来源于stack exchange，提问作者libraG