我有一个包含多个元素的列表。每个元素本质上都是使用 OCR 和 Tesseract 将抓取的 PDF 文件转换为字符串的页面。
我想将每个页面分成几行,然后将所有这些存储在数据框中。我希望最终结构是“列是页”和“行是行”。
我知道以下内容将占用一个页面并将每一行存储在数据框中。
page1 = pd.DataFrame(final_text[0].splitlines())
我还知道我可以使用最终文本将页面存储为数据框中的列:
pages = pd.DataFrame(final_text).T
我的问题有两个:
如何编写一个 for 循环来对 Final_text 中的所有元素执行上述两项操作?
for 循环需要考虑到每个元素或页面将产生不同的行数。 Pandas 需要相同数量的行才能附加到数据框。
我尝试了很多方法但没有成功,任何帮助或指导将不胜感激。
主要是沿着这些方向进行实验
for page in pages:
page.splitlines()
但这会拉取索引值而不是实际元素。出现以下错误:
属性错误:'int'对象没有属性'splitlines'
最佳答案
这是我最终解决问题的方法。
# Determine the longest page value
page_length = []
for page in final_text:
page_length.append(len(page.split('\n')))
page_length_max = max(page_length)
# Add blank lines to list entries so they equal the page with max length
updated_text = []
for page in final_text:
updated_text.append(page.split('\n') + list(((page_length_max - len(page.split('\n'))) * '\n')))
# Create a dataframe with each page a column and each row and line
data = pd.DataFrame()
for i, page in enumerate(updated_text):
data['page_%s' %str(i+1)] = page
关于python - 当列表元素是需要解析的文本页时,如何将列表的每个元素存储在数据框中?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51502615/