Pandas dataframe 操作docx文档的两个小trick

1.===============>>

docx表格转dataframe：

import pandas as pd  
from docx import Document  
  
def docx_to_df(file_path):  
    doc = Document(file_path)  
    data = []  
    for table in doc.tables:  
        for row in table.rows:  
            row_data = []  #遍历行，每行清空一次
            for cell in row.cells:  
                text = cell.text.strip()  # 删除多余的空格  
                row_data.append(text)  
            data.append(row_data)  #每行数据保存成一个列表，存放到data里
    df = pd.DataFrame(data)  
    return df

 2.===============>>

dataframe分列：经过上面的docx_to_df获得表格内容后，有些时候需要进一步拆分以方便后续处理，这时候可以对df进行分列（类似excel的分列

import pandas as pd  

data = {'combined_column': ['A,B', 'C,D', 'E,F']}  
df = pd.DataFrame(data)  
  
# 将组合列拆分为两个新列  
split_values = df['combined_column'].str.split(',')  
df[['column1', 'column2']] = pd.DataFrame(split_values.tolist(), index=df.index)  

# 删除原始的组合列
df = df.drop(columns='combined_column')  

也可以处理长度不同的内容：

import pandas as pd  

data = {'combined_column': ['A,B,X', 'C,D', 'E,F,Z']}  
df = pd.DataFrame(data)  
  
# 将组合列拆分为两个新列  
split_values = df['combined_column'].str.split(',')  
#此处column需要和拆分后最多的列数相同，结果中df会自动用None补齐
df[['column1', 'column2','column3']] = pd.DataFrame(split_values.tolist(), index=df.index) 
 

'''运行结果为：
  combined_column column1 column2 column3
0           A,B,X       A       B       X
1             C,D       C       D    None
2           E,F,Y       E       F       Y

'''

pandas本身功能还是很强大的，尤其是对数据进行批量处理和结构化方面非常有优势，用熟了应该会很顺手

（所有啥时候才能用熟咧 (°ཀ°)