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：

　　目标数据集为，处理成对应的数值类别格式，如下：

　　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/