如何移除DataFrame多层表头并清理Year列特殊标记？

维基百科的表格通常会生成多层索引（MultiIndex）的表头，可根据需求选择以下两种专业处理方式：

方式1：直接移除顶层表头 #

如果顶层表头是重复或无意义的分类，通过droplevel直接移除：

import pandas as pd

# 读取目标表格
url = "https://zh.wikipedia.org/wiki/%E5%90%84%E5%9B%BD%E5%90%8D%E4%B9%89GDP%E5%88%97%E8%A1%A8"
df = pd.read_html(url)[0]

# 判断是否为多层表头
if isinstance(df.columns, pd.MultiIndex):
    # 移除顶层索引（层级从0开始计数）
    df.columns = df.columns.droplevel(0)

# 重置索引（可选，清理行索引）
df = df.reset_index(drop=True)

方式2：合并多层表头为单个名称 #

如果上下层表头均有实际意义，可拼接成复合表头：

df.columns = [' '.join(filter(None, col)).strip() for col in df.columns.values]

错误原因 #

触发AttributeError的核心原因：

1. Year列存在非字符串类型值（如NaN、float类型空值），直接调用字符串方法会报错；
2. 自定义函数未做类型兼容处理，比如直接对非字符串值执行split()等操作。

解决方案 #

优先使用pandas字符串向量方法（比apply更高效），若需保留apply写法则需做类型兼容：

方案1：字符串向量方法处理（推荐） #

# 先将Year列转为字符串，兼容非字符串值
df['Year'] = df['Year'].astype(str)

# 提取数字部分（正则匹配连续数字）
df['Year'] = df['Year'].str.extract(r'(\d+)', expand=False)

# 或移除所有非数字字符
# df['Year'] = df['Year'].str.replace(r'\D+', '', regex=True)

# 可选：转回数值类型
df['Year'] = pd.to_numeric(df['Year'], errors='coerce')

方案2：修复自定义函数+apply写法 #

def clean_year(row):
    # 强制转为字符串，兼容非字符串值
    year_val = str(row['Year'])
    # 提取数字字符
    return ''.join([c for c in year_val if c.isdigit()])

# 应用函数
df['Year'] = df.apply(clean_year, axis=1)

# 可选：转为数值类型
df['Year'] = pd.to_numeric(df['Year'], errors='coerce')

内容的提问来源于stack exchange，提问作者neural science