如何解决在 python 中使用 tabula 阅读 PDF 时,如何删除“Nan”值?
我正在使用 tabula-py 在 python 中读取我的课程时间表 PDF 文件,返回值“data”有很多我似乎无法清理的“nan”值。有人可以提出解决方案吗? 我应该使用某些东西而不是 tabula-py 吗? 我附上了 PDF 图片的链接。出于隐私考虑,我已从 PDF 中删除了一些信息。1
我的代码如下:
import tabula
class ClasstiMetable:
def __init__(self,filename):
self.filename = filename
def read_data(self):
data = tabula.read_pdf(self.filename,pages='all')
# data1 = tabula.convert_into(self.filename,output_format="csv",output_path='file.csv')
print(data)
我的输出如下:
[ Course Course Regn. ... Unnamed: 2 Room
0 Code Title Credit Type ... GCR Code No.
1 Critical and NaN ... NaN NaN
2 1 18PDM202L Creative 0 ... A- wubaing
3 Thinking Skills NaN ... ISOLATED NaN
4 Management NaN ... NaN NaN
5 2 18PDH102T Principles for 2 ... A- NaN
6 Engineers NaN ... COMBINED NaN
7 Professional Lab3 18EEC206J Analog Electronics 4 ... B boc5om
8 Generation,NaN ... NaN NaN
9 4 18EEC208T Transmission & 3 NaN ... NaN NaN
10 distribution NaN ... C 4qjaetp
11 Numerical NaN ... NaN NaN
12 5 18MAB202T Methods for Engineers 4 ... D vvbxlqp
13 6 18EEC205J Electrical Machines II 4 ... E drcfega
14 7 18BTB101T Biology 2 ... F NaN
15 Electrical and NaN ... NaN NaN
16 Electronics NaN ... NaN NaN
17 8 18EEC207J Measurements and 4 ... G koed72
18 Instrumentation NaN ... NaN NaN
19 9 18EEC205J Electrical Machines II 4 ... P7-P8- drcfega
20 NaN NaN ... NaN NaN
21 10 18EEC206J Analog Electronics 4 ... P3-P4- boc5om
22 Electrical and NaN ... NaN NaN
23 Electronics NaN ... NaN NaN
24 11 18EEC207J Measurements 4 ... NaN NaN
25 and NaN ... P19-P20- NaN
26 Instrumentation NaN ... NaN NaN
27 Total 23 NaN ... NaN NaN
[28 rows x 8 columns]]
还有,什么是'。 . .'意思是?
解决方法
我想通了。
我意识到,问题是图书馆没有正确读取行之间的分隔,所以我设置了“lattice=True”。
这解决了我大约 50% 的问题,并意识到程序需要更高的特异性。
为 windows 下载了 Tabula 并找到了整个表格的坐标以及单独的列。在 'area=' 和 'columns=' 的构建选项下将该数据输入 tabula-py 。
我意识到使用这两个属性可能有点矫枉过正,但是在格式化为 .csv 后,我的所有数据都整齐地放在单独的列中,没有“Nan”值。
在下面附上我的代码:
import tabula
class ClassTimetable:
def __init__(self,filename):
self.filename = filename
def read_data(self):
data = tabula.read_pdf(self.filename,pages='all',area=[162.498,141.6,546.248,538.736],columns=[140.55,172.53,217.161,277.400,300.454,339.127,384.492,419.446,491.585,542.157],lattice=True)
data1 = tabula.convert_into(self.filename,output_format="csv",columns=[140.559,172.538,lattice=True,output_path='file2.csv')
return data
输出,如下:
[ Unnamed: 0 Course\rTitle ... Slot GCR Code
0 1.0 18PDM202L ... Mr. R. Prathap\rChandran (102275) A-\rISOLATED
1 2.0 18PDH102T ... Mr. Nizamudeen\rAnvar (102293) A-\rCOMBINED
2 3.0 18EEC206J ... Dr.T.M.Thamizh\rThentral (101436) B
3 4.0 18EEC208T ... Dr.S.Vidyasagar\r(100597) C
4 5.0 18MAB202T ... Dr. M. Suresh\r(101984) D
5 6.0 18EEC205J ... Dr. K. M,Ravi\rEswar (102699) E
6 7.0 18BTB101T ... Mr.T.Anand\r(100034) F
7 8.0 18EEC207J ... Mr.S.Raghavendran\r(102704) G
8 9.0 18EEC205J ... Dr. K. M,Ravi\rEswar (102699) P7-P8-
9 10.0 18EEC206J ... Dr.T.M.Thamizh\rThentral (101436) P3-P4-
10 11.0 18EEC207J ... Mr.S.Raghavendran\r(102704) P19-P20-
11 NaN 23 ... NaN NaN
还是不知道是什么'。 . .'意味着
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。