使用Python从PDF文件中提取数据

前言

数据是使用数据科学中任何分析的关键，大多数分析中最常用的文件数据集类型是存储在逗号分隔值(csv)表中的干净数据。然而，中提由于可移植文档格式(pdf)文件是取数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，使用并将数据转换为诸如“csv”之类的文件格式，以便用于分析或构建模型。源码下载中提

在本文中，取数我们将重点讨论如何从pdf文件中提取数据表。使用类似的文件分析可以用于从pdf文件中提取其他类型的数据，如文本或图像。中提我们将说明如何从pdf文件中提取数据表，取数然后将其转换为适合于进一步分析和构建模型的使用格式。我们将给出一个实例。文件

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，中提必须进行重塑、清理和转换。

b) 导入必要的免费信息发布网库

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) 

本文地址：http://bhae.cn/html/047c21199741.html