我有一张带有桌子的pdf,并试图让那张桌子进入Pandas。众所周知,提取pdf表很难做到,但我发现tabula效果最好。这是我见过的最好的,但仍然不完美。我有这个pdf表:
请注意表格的标题,以及它们有时如何运行到下一行,并且通常不太好。我正在解决真正的问题,因为我可以看到的所有解决方案都需要一种更好的方法来创建数据帧。这个数据框是我能得到的最好的,但是如果你知道如何从表格中获得更好的数据框,请告诉我。
我使用tabula-py,并运行此代码:
holdingsDF = tbla.read_pdf(fileName, nospreadsheet=True)
有很多选择,我不知道所有这些选项,但在摆弄选项后,这似乎是我能做的最好的选择。由此产生的DF就是:
Unnamed: 0 Unnamed: 1 Unnamed: 2 Identifier Unnamed: 4 Curren Unnamed: 6 TAG0 Strategy
0 Asset Type Name Identifier NaN Quantity NaN Price NaN
1 NaN NaN NaN Type NaN cy NaN Name
2 Equity Akamai Technologies Inc AKAM US Equity TICKER (5,830) USD 65.000 AKAM
3 Convertible Bond AKAM 0 02/15/19 US00971TAG67 ISIN 1,595,000 USD 100.875 AKAM
4 Equity Advanced Micro Devices Inc AMD US Equity TICKER (181,500) USD 13.490 AMD
5 Convertible Bond AMD 2 1/8 09/01/26 US007903BD80 ISIN 1,650,000 USD 185.500 AMD
如果你看,你可以看到标题在前三行中被分开了。我该如何解决?是否有任何聪明,优雅的解决方案,以获取每列的三个名称中的“最佳”,并将其作为列名称?
谢谢!
答案 0 :(得分:1)
这是一个纯粹的熊猫解决方案 - 假设数据帧的读取完全如下所示。
df.columns = df.columns.str.replace('Unnamed.*', '') + \
df.iloc[0].fillna('') + \
df.iloc[1].fillna('')
df.drop([0,1], inplace=True)
1 Asset Type Name Identifier \
2 Equity Akamai Technologies Inc AKAM US Equity
3 Convertible Bond AKAM 0 02/15/19 US00971TAG67
4 Equity Advanced Micro Devices Inc AMD US Equity
5 Convertible Bond AMD 2 1/8 09/01/26 US007903BD80
1 IdentifierType Quantity Currency Price TAG0 StrategyName
2 TICKER (5,830) USD 65.000 AKAM
3 ISIN 1,595,000 USD 100.875 AKAM
4 TICKER (181,500) USD 13.490 AMD
5 ISIN 1,650,000 USD 185.500 None