例如，在上一節使用的資料集中，可以想像到，圖書管理員如果需要搜索記錄，他也許輸入的是書籍的唯一識別碼（ Identifier 列）：
>>> df['Identifier'].is_uniqueTrue讓我們用 set_index 來替換現有的索引
其中出版日期一列，如果將其轉化為數字類型更有意義，所以我們可以進行如下計算：
很好！本節完成了！
我們將用這兩個函數來清理 Place of Publication 一列，因為此列包含字串。以下是該列的內容：
我們發現某些行中，出版地被其他不必要的資訊包圍著。如果觀察更多值，我們會發現只有出版地包含 ‘London’ 或者 ‘Oxford’ 的行才會出現這種情況。
我們來看看兩條特定的資料：
與 np.where 結合：
管我們可以使用 for 迴圈來清理上面的字串，但是使用 Pandas 會更加方便。我們只需要州名和城鎮名字，其他都可以刪除。雖然這裡也可以再次使用 .str() 方法，但我們也可以使用 applymap() 方法將一個 Python 可調用方法映射到 DataFrame 的每個元素上。
我們一直在使用 元素 這個術語，但實際上到底是指什麼呢？看一下以下這個 DataFrame 例子：
然後，將它讀入 Pandas 的 DataFrame 中：
Python 資料清理：回顧以及其他資源
在本教程中，你學習了如何使用 drop()函數刪除不必要的資訊，以及如何給你的資料集設置索引以便更加方便的引用其他的項。
例如，在上一節使用的資料集中，可以想像到，圖書管理員如果需要搜索記錄，他也許輸入的是書籍的唯一識別碼（ Identifier 列）：
>>> df['Identifier'].is_uniqueTrue讓我們用 set_index 來替換現有的索引
其中出版日期一列，如果將其轉化為數字類型更有意義，所以我們可以進行如下計算：
很好！本節完成了！
我們將用這兩個函數來清理 Place of Publication 一列，因為此列包含字串。以下是該列的內容：
我們發現某些行中，出版地被其他不必要的資訊包圍著。如果觀察更多值，我們會發現只有出版地包含 ‘London’ 或者 ‘Oxford’ 的行才會出現這種情況。
我們來看看兩條特定的資料：
與 np.where 結合：
管我們可以使用 for 迴圈來清理上面的字串，但是使用 Pandas 會更加方便。我們只需要州名和城鎮名字，其他都可以刪除。雖然這裡也可以再次使用 .str() 方法，但我們也可以使用 applymap() 方法將一個 Python 可調用方法映射到 DataFrame 的每個元素上。
我們一直在使用 元素 這個術語，但實際上到底是指什麼呢？看一下以下這個 DataFrame 例子：
然後，將它讀入 Pandas 的 DataFrame 中：
Python 資料清理：回顧以及其他資源
在本教程中，你學習了如何使用 drop()函數刪除不必要的資訊，以及如何給你的資料集設置索引以便更加方便的引用其他的項。