如何将复杂的excel表格数据转换为结构化数据？

Question

我遇到了以下问题，希望有人能给我一些建议。
我需要将很多不同形状的excel表格转换成构造数据，excel表格如下。

|--------------------|----|----|
|user:Sam            |    |    |
|--------------------|----|----|  
|mail:sam@example.com|    |    |  


|-------|----------------|-----|
|user   |Jack            |     |
|-------|----------------|-----|
|mail   |jack@example.com|     | 
|-------|----------------|-----|


|-------|-----|---------------|---------|
|user   |May  |               |         |
|-------|-----|---------------|---------|
|       |mail |may@example.com|         |
|-------|-----|---------------|---------|


|user   | Alex  |mail  |alex@example.com|

目标结果将类似于以下格式。

|-------|-------------------|
|user   | email             |
|-------|-------------------|
|Jack   | jack@example.com  |
|-------|-------------------|
|Sam    | sam@example.com   |
|-------|-------------------|
|Alex   | alex@example.com  |
|-------|-------------------|
|May    | may@example.com   |
|-------|-------------------|

我目前的解决方案是为每种类型的 excel 表定义一个函数。但是会有成千上万个不同的 excel 文件，所以我不得不重复编写类似的代码。所以我的问题是是否有通用的解决方案。

我找到了一个similar question，但没有更多信息。我认为机器学习可能有助于解决问题，但我对此知之甚少。有没有人可以分享一些想法？ 非常感谢！

Answer 1

查看您在问题中提供的模式，我们发现数据有时位于单独的单元格中，有时在文本中使用“：”分隔符进行编码。我会将其展平并解析组合文本以获得线性模式。

我建议您使用xlrd 之类的内容阅读excel 文件。 然后逐个单元格提取文本并解析出您感兴趣的字段。

<cell>'user'<cell|':'>user_name<cell>'mail'<cell|':'>email_address<cell>

其中<cell> 是一个或多个单元格边界，可能分布在行上。

获得用户电子邮件对后，您可以使用xlwt 将它们写出来。

Answer 2

您有 4 种类型的文件。

如果仅此而已，您可以用 4 个 if 语句编写 1 个函数。

def table_sort(file):

    If file == condition:
         extract_data_this_way 

   elif file == other_condition:
        extract_data_this_way

   elif file == other_condition:
        extract_data_this_way

   else:
        extract_data_this_way

如果你使用 pandas 来做这件事，它会更容易编码。

我希望你有很多文件。您可以传入一个列表并使用 for 循环进行迭代。或者使用 glob 加载目录中的所有 excel 文件并循环。