df=pd.read_cvs('.csv',index_col=0)
df.head()
df.info()
df.shape
df.dulpicated().sum()
df['标题'].unique()
df['标题']=df['标题'].str.strip('[PDF] ')
df['引用次数']=df['引用次数'].str.findall('\d+').str.get(0).astype(int32) #regex正则表达式
df['作者']=df['作者期刊'].str.split('-').str.get(0).str.strip('')
df['期刊信息']=df['作者期刊'].str.split('-').str.get(1).findall('[\u4e00-\u9fa5]+').str.get(0)
df[df['期刊信息'].isnull()]
df['期刊信息']=df['期刊信息'].fillna('知网')
df[df['期刊信息'].isnull()]
df['年份']=df['作者期刊'].str.split('-').str.get(1).str.findall('\d+').str.get(0
df.drop('作者期刊',axis=1,inplace=True)
df['摘要']=df['摘要'].str.strip('\xa0…')
df['摘要'].str.contains('充值记录')
df['摘要'].str.cat(sep='.')
#摘要还可以做关键词提取等
df.to_csv('.csv')
·
·