1

我使用 Tabula 从 PDF 中提取表格。它的工作将减去一点清理。我遇到的最后一个问题，我不确定如何解决，如果单元格行太大（即它包含换行的文本），那么 Tabula 会将其分成两行，其中一行包含几乎所有信息，第二行包含上面行中第一个单元格文本的后半部分，但其余单元格中为“无”。

这是一个例子：

    df

       House_Type             Area        Shape

       Blue House       3456          circle
       Red house        2345          square
       Small Green      987           square
       House            None          None

理想情况下，我可以将“House_Type”行“house”列中的文本添加到“House_Type”列上方的行中，然后删除其中包含“none”的“house”行。

最终结果看起来像这样：

      df

       House_Type             Area        Shape

       Blue House             3456          circle
       Red house              2345          square
       Small Green House      987           square

我认为将其作为循环可能会起作用

    def row_funct( df):
        row = 0
        for row in df:
            if area = None:
            row += 1

但我不知道从这里去哪里，或者这是否是正确的方向

4

1 回答 1

1

我遇到了类似的问题并编写了以下函数（稍作修改以匹配您的示例）：

def CleanRunResults(df):
    for row in range(len(df)-1, -1, -1):
        NoArea = pd.isnull(df['Area'].iloc[row])
        NoShape = pd.isnull(df['Shape'].iloc[row])
        YesType = pd.notnull(df['House_Type'].iloc[row])
        PrevRow = row - 1
        if NoArea and NoShape and YesType:
            df['House_Type'].iloc[PrevRow] = '{0}{1}'.format(df['House_Type'].iloc[PrevRow],df['House_Type'].iloc[row] )
    df.dropna(subset=['Shape', 'Area'], how='all', inplace=True)
    df = df[['House_Type', 'Shape', 'Area']]
    return(df)
于 2017-12-14T22:21:17.820 回答