V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
V2EX 提问指南
DannyVim
V2EX  ›  问与答

Python 清洗、提取 txt 内数据的问题

  •  
  •   DannyVim · 2017-12-30 11:37:20 +08:00 · 2904 次点击
    这是一个创建于 2521 天前的主题,其中的信息可能已经有所发展或是发生改变。

    现有 sample.txt 内文件内容如下:

    一级学科代码及名称:0101 哲学
    本一级学科中,全国具有“博士授权”的高校共 48 所,本次参评 38 所;部分具有“硕士授权”的高校也参加了评估;参评高校共计 84 所(注:评估结果相同的高校排序不分先后,按学校代码排列)。 
    评估结果 学校代码及名称 
    A+ 10001 北京大学  
    10246 复旦大学 
    A 10002 中国人民大学  
    10284 南京大学 
    A- 10027 北京师范大学 10183 吉林大学 
    10486 武汉大学 
    10558 中山大学 
    B+ 10003 清华大学 10055 南开大学 
    10212 黑龙江大学 
    10269 华东师范大学 
    10286 东南大学 
    10335 浙江大学 
    10422 山东大学 
    10487 华中科技大学 
    B 10052 中央民族大学 10108 山西大学 
    10145 东北大学 
    10247 同济大学 
    10319 南京师范大学 
    10384 厦门大学 
    10542 湖南师范大学 
    10610 四川大学 
    10718 陕西师范大学 
    B- 10140 辽宁大学 10141 大连理工大学 
    10270 上海师范大学 
    10285 苏州大学 
    10533 中南大学 
    10574 华南师范大学 
    10635 西南大学 
    10698 西安交通大学 
    C+ 10053 中国政法大学 10075 河北大学 
    10357 安徽大学 
    10385 华侨大学 
    10403 南昌大学 
    10475 河南大学 
    10512 湖北大学 
    10520 中南财经政法大学 
    10730 兰州大学 
    C 10203 吉林师范大学 10280 上海大学 
    10531 吉首大学 
    10590 深圳大学 
    10656 西南民族大学 
    10673 云南大学 
    
    评估结果 学校代码及名称 
    C 10674 昆明理工大学  
    10726 西北政法大学 
    C- 10094 河北师范大学 10166 沈阳师范大学 
    10370 安徽师范大学 
    10476 河南师范大学 
    10593 广西大学 
    10636 四川师范大学 
    10652 西南政法大学 
    10681 云南师范大学 
    

    希望能够把结果输出为形如如下的结构(最后打算输出 csv 格式的数据):

    header = [学校,A+,A,A-,B+,B,B-,C+,C,C-]
    row= [(北京大学,哲学,,,,,,,,)
    	  (云南师范大学,,,,,,,,哲学)]
    

    还是 python 的新手,想了很久不知道该怎么处理。求诸位 V2EXer 可以指点一下思路。

    16 条回复    2017-12-30 23:02:15 +08:00
    u1ucky
        1
    u1ucky  
       2017-12-30 11:48:13 +08:00
    可以用 enumerate 逐行遍历,处理结果放到两个数组里。
    czb
        2
    czb  
       2017-12-30 11:52:46 +08:00 via Android
    With open .. as file
    For line in file
    Regex
    Universe
        3
    Universe  
       2017-12-30 13:54:39 +08:00   ❤️ 1
    ```
    {
    "学校名称": [[A+学科名称列表],[A 学科名称列表]...],
    "学校名称": [[A+学科名称列表],[A 学科名称列表]]...
    }
    ```
    DannyVim
        4
    DannyVim  
    OP
       2017-12-30 14:24:29 +08:00
    @czb 我的问题就在怎么把数据正确地读出来。可以更细节一下吗?
    DannyVim
        5
    DannyVim  
    OP
       2017-12-30 14:24:48 +08:00
    @Universe 其实我的问题在于怎么读取数据
    DannyVim
        6
    DannyVim  
    OP
       2017-12-30 14:25:05 +08:00
    @aimkiray 可以更细节一些吗?
    yangyaofei
        7
    yangyaofei  
       2017-12-30 16:01:27 +08:00 via Android
    你需要正则表达式
    anguslg
        8
    anguslg  
       2017-12-30 16:14:30 +08:00
    这种数据也要事先人工清洗一遍成代码易读的才行, 然后用 pandas 会方便很多
    SakuraSa
        9
    SakuraSa  
       2017-12-30 17:07:29 +08:00
    虽然出来的数据格式不太对,但是应该很好转换过去了
    https://gist.github.com/anonymous/c5c24ec12ee98f55030c7c70680a8911
    jpmorn
        10
    jpmorn  
       2017-12-30 17:09:50 +08:00
    awesome-wechat-jump :)
    SakuraSa
        11
    SakuraSa  
       2017-12-30 17:25:43 +08:00
    上面的那个 gist 被我不小心删掉了,换一个
    SakuraSa
        12
    SakuraSa  
       2017-12-30 17:25:49 +08:00   ❤️ 1
    omph
        13
    omph  
       2017-12-30 18:10:21 +08:00
    鉴于数据比较整洁,分析过程可以用流式分析法:
    1. 记录分割:先把文本按字符串“一级学科代码及名称:”分割( split ),得到不同学科的数据。每段再按空白分割。
    2. 分析和归类:遇到“ A+”等,记录,遇到以“大学”结尾,存储。数据结构用 3 楼的思路
    3. 整理数据为最终格式
    5mins
        14
    5mins  
       2017-12-30 18:24:02 +08:00   ❤️ 2
    如果不嫌弃正则慢,可以用正则,但正则是最烦人的,因为各个版本各种语言都有差别。

    楼上 SakuraSa 的代码已经不错了,但看了下正则写得有点问题,会导致丢失数据。

    可以试下替换成这两条:

    ```python
    ([A-E][+|-]?)[^A-E]*
    ([0-9]{5}) *([\u4e00-\u9fa5]+)[^0-9]
    ```

    只在在线的正则表达式的网站测试过。

    ![正则 1]( "正则 1")

    ![正则 2]( "正则 2")
    DannyVim
        15
    DannyVim  
    OP
       2017-12-30 22:57:44 +08:00
    @5mins 正则是比较慢的一种方式的话,那什么工具在速度上会比较快呢?因为总的文档其实有三万行的样子,这个只是其中一部分。
    SakuraSa
        16
    SakuraSa  
       2017-12-30 23:02:15 +08:00
    @DannyVim #15
    30k line 对于现在的电脑来说不算大文件吧
    我觉得直接用上面的代码 10s 都用不了
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   886 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 23ms · UTC 21:45 · PVG 05:45 · LAX 13:45 · JFK 16:45
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.