时间:2021-05-23
01
前言
数据是数据科学中任何分析的关键,大多数分析中最常用的数据集类型是存储在逗号分隔值(csv)表中的干净数据。然而,由于可移植文档格式(pdf)文件是最常用的文件格式之一,因此每个数据科学家都应该了解如何从pdf文件中提取数据,并将数据转换为诸如“csv”之类的格式,以便用于分析或构建模型。
在本文中,我们将重点讨论如何从pdf文件中提取数据表。类似的分析可以用于从pdf文件中提取其他类型的数据,如文本或图像。我们将说明如何从pdf文件中提取数据表,然后将其转换为适合于进一步分析和构建模型的格式。我们将给出一个实例。
02
示例:使用Python从PDF文件中提取一个表格
a)将表复制到Excel并保存为table_1_raw.csv
数据以一维格式存储,必须进行重塑、清理和转换。
b)导入必要的库
import pandas as pdimport numpy as npc)导入原始数据,重新定义数据
df=pd.read_csv("table_1_raw.csv", header=None)df.values.shapedf2=pd.DataFrame(df.values.reshape(25,10))column_names=df2[0:1].values[0]df3=df2[1:]df3.columns = df2[0:1].values[0]df3.head()d)使用字符串处理工具进行数据纠缠
我们从上面的表格中注意到,x5、x6和x7列是用百分比表示的,所以我们需要去掉percent(%)符号:
df4['x5']=list(map(lambda x: x[:-1], df4['x5'].values))df4['x6']=list(map(lambda x: x[:-1], df4['x6'].values))df4['x7']=list(map(lambda x: x[:-1], df4['x7'].values))e)将数据转换为数字形式
我们注意到列x5、x6和x7的列值数据类型为string,因此我们需要将它们转换为数值数据,如下所示:
df4['x5']=[float(x) for x in df4['x5'].values]df4['x6']=[float(x) for x in df4['x6'].values]df4['x7']=[float(x) for x in df4['x7'].values]f)查看转换数据的最终形式
df4.head(n=5)g)导出最终数据到一个csv文件
df4.to_csv('table_1_final.csv',index=False)以上就是python从PDF中提取数据的示例的详细内容,更多关于python 提取PDF数据的资料请关注其它相关文章!
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
极强PDF转换器怎么从PDF文件中提取图片?想要从PDF文件中提取图片,方法其实相当简单,大家可以通过使用极强PDF转换器来获取想要的图片,具体应该如何操作呢?
处理pdf文档第一、从文本中提取文本第二、创建PDF两种方法#使用PdfFileWriterimportPyPDF2pdfFiles=[]forfilename
从PDF表格中获取数据是一项痛苦的工作。不久前,一位开发者提供了一个名为Camelot的工具,使用三行代码就能从PDF文件中提取表格数据。PDF文件是一种非常常
XQuery是一门用于从XML文档中提取数据的语言。XQuery是一门用于从XML文档中提取数据的语言。XML教程如需学习更多有关XQuery的知识,请阅读我们
gImageReader是一个GUI工具,用于在Linux中利用TesseractOCR引擎从图像和PDF文件中提取文本。gImageReader是Tesser