python从PDF中提取数据的示例
作者：HuangWeiAI 发布时间：2021-10-15 21:46:05
标签：python,PDF,提取,数据
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 pd
import numpy as np
c)导入原始数据，重新定义数据
df=pd.read_csv("table_1_raw.csv", header=None)
df.values.shape
df2=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)
来源：https://cloud.tencent.com/developer/article/1668817
0
投稿猜你喜欢
本文为大家分享了WebStorm安装教程，供大家参考一、简介WebStorm 是jetbrains公司旗下一款JavaScript 开发工具- 本文实例讲述了Python实现简单的获取图片爬虫功能。分享给大家供大家参考，具体如下：简单Python爬虫，获得网页上的照片#coding=
- 这篇文章主要介绍了Python os模块常用方法和属性总结,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要
- 首先创建一个表Use Test;Create Table TableTest(`ID` mediumint(8) default '
- 列名不一定要相同，只要你在HH中列出要插入列的列表跟select from mm表中的选择的列的列表一一对应就可以了，当然两边的数据类型应该
- SQL数据库连接超时时间已到问题1：System.InvalidOperationException: 超时时间已到。超时时间已到，但是尚未
- 本文实例讲述了python回溯法实现数组全排列输出的方法。分享给大家供大家参考。具体分析如下：全排列解释：从n个不同元素中任取m（m≤n）个
- 需要安装pyechartspip install pyecharts -U 创建【demo6.py】并输入以下编码：from py
- 本文实例讲述了Python多继承原理与用法。分享给大家供大家参考，具体如下：python中使用多继承，会涉及到查找顺序（MRO）、重复调用（
- clock()方法返回当前的处理器时间，以秒表示Unix上一个浮点数。精度取决于具有相同名称的C函数，但在任何情况下，这是使用于
- 印象中，以前电脑不发达，自身编程经历不多的时候，由于Microsoft SQL Server版本众多，在不同版本的windows下必须要求装
- 本文实例为大家分享了python视频转彩色字符动画的具体代码，供大家参考，具体内容如下一、效果原图：转换后：效果可通过代码开头几行的参数调节
- 测试结果： 整个买票流程可以再快一点，不过为了稳定起见，有些地方等待了一些时间完整程序，拿去可用 整个程序分了三个模块：购票模块（
- 开发测试的时候，经常需要填写姓名、手机号、身份证号、银行卡号，既要符合格式要求、又不能重复。大家会到网上搜各种生成器。下面小编自己写的一个j
- JSON(Javascript Object Notation)是一种轻量级的数据交换语言，以文字为基础，具有自我描述性且易于让人阅读。尽管
- 1.Python3读取hdf文件最开始使用Python导入pyhdf包的时候是可以的，但是当导入pyhdf.SD的时候就出现了以下问题：我查
- 一、进程与线程1.进程我们电脑的应用程序，都是进程，假设我们用的电脑是单核的，cpu同时只能执行一个进程。当程序出于I/O阻塞的时候，CPU
- 导语：排版是一门艺术，也是一门技巧。我们每天都能在报纸，书籍等各种媒介上看到排版，或精美，或丑陋。如何能在准确传递信息的同时，又能排出精美的
- public partial class CMS_DBDataContext { partial void OnCreated() { //
- 下载a.我这里用的是 ZIP Archive版的，win8 64位的机器都支持 这个所以我建议都用这个。还有这个比较简单而且还很
