数据清洗记录2

爬虫爬下来的数据，有个字段含有大量脏数据，如图1所示，现在需要提取出“红色框”中的“作者机构名称”。

一开始用的excel，替换、分类、按照模式的快速填充各种都用上了，但是，数据量太大了（有上万条，辛苦机器性能还行）而且你懂得，人工操作肯定有误操作而且分列啥的这些功能适应新不怎么强，结果，弄了小半天终于完整地清洗完毕。

下文提供两种方法：1、excel中清洗；2、pandas+正则表达式

 

图1

图2

方法1：

    略过

方法2：

pandas 凭借其强大的能力，分分钟处理完毕，而且没有任何小问题。

#代码如下：

__author__ = 'Oscar_Yang'

# -*- coding= utf-8 -*-

import re

import pandas as pd

path=r"C:UsersOscarDesktop1.xlsx"

path1=r"C:UsersOscarDesktop2.xlsx"

xls_file=pd.ExcelFile(path)

table=xls_file.parse("Sheet1")

#或者table=pd.read_excel(path)

s1=table.jigou.fillna("Missing")

# print(s1)

# print(table)

def get_clean_table(a):

    p = re.compile("[.*?,")

    c = [x.split(",")[0] for x in p.findall(a)]

    return c

a=s1.apply(get_clean_table)

new_frame=pd.DataFrame(a)

# print(a)

writer = pd.ExcelWriter(path1)

new_frame.to_excel(writer,'Sheet1')

writer.save()

图3 处理结果