Question

所以我将多个 docx 文件转换为数据帧文件。该代码适用于一个文档，这导致以下结构：

data = {'Title': ['title first article, 'title second article'], 'Sources': ['source of first article', 'source of second article']}
df = pd.DataFrame(data=data)

结构是函数的结果：

def func_convert_updates(filename):
    path = os.chdir('C:/Users/docxfiles')
    regex = '\xc2\xb7'
    with open(filename, "rb") as docx_file:
        result = mammoth.convert_to_html(docx_file)
        text = result.value # The raw text
        text2=re.sub(u'[|•●]', " ", text, count= 0) 
        with open('output.txt', 'w', encoding='utf-8') as text_file:
            text_file.write(text2)

    #followed by many lines of code, omitted here, to create a dataframe

    return df_titles

然后我想分析多个 docx 文件，因此我编写了以下代码：

list_news= ['docx_file_1', 'docx_file_2.docx', ... etc]

for element in list_news:
    df_titles = func_convert_updates(element)

然而，这只会返回列表最后一个元素的数据帧，因为它会覆盖之前的输出。我该如何解决这个问题？提前致谢。

Answer 1

如果您想将在每个循环中创建的所有数据帧都放在变量 df_titles 中，您可以执行以下操作：

import pandas as pd

df_titles = pd.concat([func_convert_updates(element) for element in list_news], ignore_index=True)

Answer 2

实际问题是，如果您多次调用函数，您会告诉 open 写入 'output.txt' 文件，如果文件存在，则使用 'w' 参数覆盖该文件。您可能希望将其更改为 'a' 以附加到文件中，因此：

with open('output.txt', 'a', ...

另见 https://cmdlinetips.com/2012/09/three-ways-to-write-text-to-a-file-in-python/

每次迭代函数都会覆盖数据帧

2 个答案: