ocr中文数据集_Pandas将中文数据集转换为数值类别型数据集

目标:原始数据集是含大量中文的xls格式的表格,目标处理为数值类别的csv表格。

  原始数据集部分切片,如下格式:

163d7fa655682fcd84af6e69d4e75129.png

  目标数据集为,处理成对应的数值类别格式,如下:

9f38d01f9155b842af55d24f45017871.png

  解决思路:(处理中文需要注意编码)

  总体分两步,

1.提取每一列的值(含中文),作为key关键字,value为自增的整数,构造字典。利用了字典的key唯一的特性。

2.根据上一部提取的字典,对照字典,将数据集的中文key,替换为对应的value,即可。

from pandas import DataFrame
import pandas as pd
import matplotlib.pyplot as plt
import xlrd

fd = pd.read_excel("complain.xls", encoding='utf-8',header=None)
# fd[fd.notnull()]#查看缺失值情况
newdf = pd.DataFrame()#保存处理后的数据集
keydf = pd.DataFrame()#保存中文对照表
 
for i in range(len(fd.columns)):
 
    newdata = {}#利用字典的key唯一特性,去除重复的文字,并利用value
    index = #累加数值
    rowline = []
    keylist = []
    rowdf = pd.DataFrame()
 ,len(fd)):#.提取关键字字典,key为中文,value为累加整型
        key = fd.iloc[j,i]
 if key not in newdata.keys():
            newdata[key] = index
            index +=
            keylist.append(key)#将中文提取出来,方便对照
 
    rowdf = pd.DataFrame({i: keylist})#保存中文对照表
    keydf = pd.concat([keydf, rowdf], axis=, ignore_index=True)
 
 , len(fd)):#.根据对照表,将中文替换成对应的数值
        rowline.append(newdata[fd.iloc[k,i]])
 
    rowdf = pd.DataFrame({i: rowline})#保存处理后的表
    newdf = pd.concat([newdf, rowdf], axis=, ignore_index=True)
print newdf.info()
 
newdf.to_csv('newdata.csv')
 
keydf.to_csv('keylist.csv', encoding='gbk')

转自:https://www.bbsmax.com/A/QV5Z1gqyJy/

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值