我有一個文本文件，其結構如下所示，我想使用 python 提取數據框中的數據。數據框應具有 PMID 以及針對每個 PMID 的作者顯示的所有文本。數據格式PMID- 唯一的 8 位數字xyz - 文本（可能是多行）xyz- 文本（可能是多行）作者- 文本（可能是多行）作者- 文本（可能是多行）PMID- 唯一的 8 位數字xyz - 文本（可能是多行）xyz- 文本（可能是多行）作者- 文本（可能是多行）作者- 文本（可能是多行）我在 python 中嘗試過的代碼如下 - 我能夠提取所有 PMID，但我無法找出針對每個 PMID 附加所有作者文本的邏輯。for lines in open('pubmed-cancerbiol.txt','r'): if(lines[0:4] == 'PMID'): print(lines)
1 回答
富國滬深
TA貢獻1790條經驗 獲得超9個贊
PMID您可以使用as 鍵和AUTHORs 作為值來收集字典中的數據。
假設您從文件開始
from io import StringIO
fo = StringIO(
'''PMID- 12345678
xyz - text (might be multiple lines)
xyz- text (might be multiple lines)
AUTHOR- author1
AUTHOR- author2
PMID- 12345679
xyz - text (might be multiple lines)
xyz- text (might be multiple lines)
AUTHOR- author3
AUTHOR- author4''')
# with open(filename, 'r') as fo:
然后迭代行并填充字典
records = dict()
pmid = None
for line in fo.readlines():
if line.startswith('PMID-'):
pmid = line.split('-')[-1].strip()
records[pmid] = []
elif line.startswith('AUTHOR'):
records[pmid].append(line.split('-')[-1].strip())
創建數據框時，您可以將df = pd.DataFrame(records)每個作者放在一列中或在傳遞給數據框構造函數之前加入列表
df = pd.DataFrame(
[', '.join(r) for r in records.values()],
index=records.keys()
)
輸出
0
12345678 author1, author2
12345679 author3, author4
添加回答
舉報
0/150
提交
取消