小编Ber*_*nes的帖子

我想将 pdf（一页）转换为 png 文件。我安装了 pdf2image 并收到此错误：popler 未安装在 Windows 中。

根据这个问题： Poppler in path for pdf2image，应该安装 poppler 并修改 PATH 。

我无法执行这些操作（我在正在使用的系统中没有必要的权限）。

我查看了 opencv 和 PIL，似乎都没有提供进行此转换的可能性：PIL（请参阅此处https://pillow.readthedocs.io/en/stable/handbook/image-file-formats.html?highlight= pdf#pdf）不提供阅读 pdf 的功能，只能将图像另存为 pdf。openCV 也是如此。

有什么建议如何将 pdf 转换为 png 吗？我可以安装任何 python 库，但无法触及 Windows 安装。

谢谢

我不理解python正则表达式中scape运算符\的功能以及原始字符串的r'的逻辑。一些帮助表示赞赏。

码：

import re
text=' esto  .es  10  . er - 12 .23 with [  and.Other ] here is more ; puntuation'
print('text0=',text)
text1 = re.sub(r'(\s+)([;:\.\-])', r'\2', text)
text2 = re.sub(r'\s+\.', '\.', text)
text3 = re.sub(r'\s+\.', r'\.', text)
print('text1=',text1)
print('text2=',text2)
print('text3=',text3)

该理论说：反斜杠字符（'\'）表示特殊形式或允许使用特殊字符而无需调用特殊含义。

就此问题末尾提供的链接而言，r'表示原始字符串，即符号没有特殊含义，它保持不变。

所以在上面的正则表达式中，我希望text2和text3是不同的，因为替换文本是'。'。在文本2中，即句点，而（原则上）文本3中的替代文本为r'。这是一个原始字符串，即应显示的字符串，反斜杠和句点。但它们的结果相同：

结果是：

text0=  esto  .es  10  . er - 12 .23 with [  and.Other ] here is more ; puntuation
text1=  esto.es  10. er- 12.23 with [  and.Other ] here is more; puntuation
text2=  esto\.es  10\. er …

有多种方法可以将 Excel 数据读取到 Python 中。Pandas 还提供了用于写入和读取的 API

import pandas as pd
from pandas import ExcelWriter
from pandas import ExcelFile

df = pd.read_excel('File.xlsx', sheetname='Sheet1')

效果很好。

但是：将每个工作表的表格直接访问到 pandas 数据框中的方法是什么？

上图显示了一个工作表，其中包含一个与 CELL (1,1) 分开的表。

此外，该工作表可能包含多个表（VBA 中的列表对象）。

我无法在任何地方找到将它们读入熊猫的方法。

注意1：无法修改工作簿以使所有表格都指向单元格（1,1）。注2：我想只使用pandas（如果可能的话）并尽量减少导入其他库的需要。但没有其他办法我准备使用其他lybray。无论如何，我无法使用 xlwings 进行管理。

这里看起来可以解析excel文件，但是没有为表格提供解决方案，仅提供完整的工作表。

pandas 的文档似乎没有提供这种可能性。

谢谢。

我想过滤一个数据框。生成的数据帧应包含所有行，其中任意多个列中包含列表中的任何单词。

我开始使用 for 循环，但应该有更好的 pythonic/pandonic 方式。

例子：

# importing pandas 
import pandas as pd 

# Creating the dataframe with dict of lists 
df = pd.DataFrame({'Name': ['Geeks', 'Peter', 'James', 'Jack', 'Lisa'], 
                   'Team': ['Boston', 'Boston', 'Boston', 'Chele', 'Barse'], 
                   'Position': ['PG', 'PG', 'UG', 'PG', 'UG'], 
                   'Number': [3, 4, 7, 11, 5], 
                   'Age': [33, 25, 34, 35, 28], 
                   'Height': ['6-2', '6-4', '5-9', '6-1', '5-8'], 
                   'Weight': [89, 79, 113, 78, 84], 
                   'College': ['MIT', 'MIT', 'MIT', 'Stanford', 'Stanford'], 
                   'Salary': [99999, 99994, 89999, 78889, 87779]}, 
                   index =['ind1', …

我正在使用数据框，我必须将列转换为 int 类型

我使用以下符号：

result_df['ftmSectionId'] = result_df['ftmSectionId'].astype('int') 

DF 有几百万行，因此显然有一些值无法转换为 int （可能包括逗号或句点...）我收到错误：

ValueError: invalid literal for int() with base 10: 'not'

现在根据这个问题： How do I fix invalidliteral for int() with base 10 error in pandas

我可以使用：

data.Population1 = pd.to_numeric(data.Population1, errors="coerce")

这有效。

但这样我就不知道为什么我一开始就出错了。由于我正在使用的数据库的性质，我希望该特定列仅包含整数。如何查询该列以找出哪些值无法使用简单方法 .astype('int') 转换为 'int' ？

谢谢

其他可能的答案，但不重复： Unable to conversion pandas dataframe column to int variable type using .astype(int) method 这个问题解决了同样的问题，只是他们知道问题是该列包含 NaN 并且将其删除。我不知道这里有什么问题，我的目标不仅仅是转换为“int”，而是捕获问题值

我想将文本分成句子。

查看堆栈溢出我发现：

与NLTK

from nltk.tokenize import sent_tokenize
text="""Hello Mr. Smith, how are you doing today? The weathe is great, and city is awesome. The sky is pinkish-blue. You shouldn't eat cardboard"""
tokenized_text=sent_tokenize(text)
print(tokenized_text)

与斯帕西

from spacy.lang.en import English # updated

raw_text = 'Hello, world. Here are two sentences.'
nlp = English()
nlp.add_pipe(nlp.create_pipe('sentencizer')) # updated
doc = nlp(raw_text)
sentences = [sent.string.strip() for sent in doc.sents]

问题是 spacy 在后台必须用所谓的 create_pipe 做不同的事情。句子对于训练您自己的 NLP 词嵌入非常重要。spaCy 不直接包含开箱即用的句子标记器应该是有原因的。

谢谢。

注意：请注意，简单的 .split(.) 不起作用，文本中有几个十进制数字以及包含“.”的其他类型的标记。

我在整个文档中使用正则表达式来捕获出现此类正则表达式的范围：

import spacy
import re

nlp = spacy.load("en_core_web_sm")
doc = nlp("The United States of America (USA) are commonly known as the United States (U.S. or US) or America.")

expression = r"[Uu](nited|\.?) ?[Ss](tates|\.?)"
for match in re.finditer(expression, doc.text):
    start, end = match.span()
    span = doc.char_span(start, end)
    # This is a Span object or None 
    # if match doesn't map to valid token sequence
    if span is not None:
        print("Found match:", span.text)

有一种方法可以获取与文档上的正则表达式匹配相对应的范围（标记列表），即使正则表达式匹配的边界与标记边界不对应。请参阅：如何将匹配扩展到有效的标记序列？在https://spacy.io/usage/rule-based-matching

到目前为止，一切都很好。

现在我有了一个跨度集合，如何将它们转换为实体？我知道实体标尺：EntityRuler 是一个管道组件（另请参阅上面的链接），但该entityruler 将模式作为在文档中搜索的输入，而不是跨度。

如果我想在整个文档中使用正则表达式来获取集合 os spans，我想将其转换为 ents，下一步是什么？实体统治者？如何？或者是其他东西？ …

我需要解析数百个具有相同结构的 XML 文件，如下所示：

<?xml version="1.0" encoding="UTF-8"?>\n  <Concepts>\n    <ConceptModel name="food">\n      <Filters>\n        <Filter type="CC"/>\n      </Filters>\n      <Queries>\n        <Query lang="EN">(cheese, bread, wine)</Query>\n        <Query lang="DE">(K\xc3\xa4se, Brot, Wein)</Query>\n        <Query lang="FR">(fromaige, pain, vin)</Query>\n      </Queries>\n    </ConceptModel>\n  </Concepts>\n

我在互联网上阅读了几篇文章和帖子，如下所示，但我无法想出解决方案：

\n
• Excel vba 解析复杂的 XML
\n
• 使用 VBA 解析 XML 文件
\n

到目前为止我正在做：

<?xml version="1.0" encoding="UTF-8"?>\n  <Concepts>\n    <ConceptModel name="food">\n      <Filters>\n        <Filter type="CC"/>\n      </Filters>\n      <Queries>\n        <Query lang="EN">(cheese, bread, wine)</Query>\n        <Query lang="DE">(K\xc3\xa4se, Brot, Wein)</Query>\n        <Query lang="FR">(fromaige, pain, vin)</Query>\n      </Queries>\n    </ConceptModel>\n  </Concepts>\n

这段代码似乎可以被VBA理解，但它不读取内容。循环不会被读取，这意味着（我猜）查询根本没有循环。事实证实了这一点Msgbox "how many queries" …

我提出了有关添加带有WITH索引的行的问题，但是我还不清楚在没有索引的情况下为什么/为什么发生这种情况：

columnsList=['A','B','C','D']
df8=pd.DataFrame(columns=columnsList)
L=['value aa','value bb','value cc','value dd']
s = pd.Series(dict(zip(df8.columns, L)))
df8.append(s,ignore_index=True)
df8.append(s,ignore_index=True)

我希望这里有2X4数据帧。但是，没有添加任何值，也没有发生错误。

print(df8.shape)
#>>> (0,4)

为什么不添加系列，为什么不出现任何错误？

如果我尝试使用LOC添加行，则会添加索引，

df8.loc[df8.index.max() + 1, :] = [4, 5, 6,7]
print(df8)

结果：

     A  B  C  D
NaN  4  5  6  7

我猜LOC和iLOC都不能用于添加没有索引名称的行（即Loc添加索引名称NaN，并且当索引号高于数据库行时不能使用iLoc）

我正在寻找一个正则表达式来匹配：

[文件编号] m

为了仅在 n=m 时摆脱 [文档 n]

其中 n 是任意数字

所以 [document 34] 34 将匹配但 [document 34] 45 不会，因为数字不同

到目前为止，我有这个：

import re
text = "[document 23] 23 and [document 34] 48 are white"
text = re.sub(r"(\[document \d+\] )(\d+)",r"\2. ",text)

但这并不能保证数字相等。

任何的想法？