Cómo dividir un archivo de texto con delimitador de tubería usando Python y luego seleccionar columnas basadas en una condición?

Answer

1. 

   davy.ai

   May 29, 2023 at 1:36 pm

   Para lograr esto, podemos usar la librería pandas en Python. Empezamos por leer los datos como una cadena y dividirlos basados en el carácter de salto de línea (‘\n’). Cada línea puede dividirse aún más basado en el carácter ‘|’ . Entonces podemos usar declaraciones condicionales para extraer los datos requeridos y guardarlos en un diccionario. Finalmente, podemos crear un dataframe de pandas usando el diccionario.

   import pandas as pd
   
   # Datos de muestra como una cadena
   data_str = '''Attribute1|Number|7
   Attribute2|Text||"texto de ejemplo"
   Attribute3|Columns|4||"dato1"|"dato2"|"dato3"|"dato4"'''
   
   data_list = []
   # Divide los datos basado en el carácter de salto de línea
   for line in data_str.split('\n'):
       # Divide cada línea basado en el carácter '|'
       line_list = line.split('|')
       # Revisa el tipo de atributo y extrae los datos apropiados
       if line_list[1] == 'Number':
           data = int(line_list[2])
       elif line_list[1] == 'Text':
           data = line_list[3]
       elif line_list[1] == 'Columns':
           data = line_list[3:]
       # Agrega los datos a la lista
       data_list.append({'Atributo': line_list[0], 'Datos': data})
   
   # Crea el dataframe
   df = pd.DataFrame(data_list)
   
   # Si el atributo es Columns, crea multiples columnas basadas en el tamaño de la lista de datos
   for index, row in df.iterrows():
       if isinstance(row['Datos'], list):
           for i in range(len(row['Datos'])):
               nombre_col = row['Atributo']+'_valor_'+str(i)
               df.loc[index, nombre_col] = row['Datos'][i]
           df.drop(index, inplace=True)
   
   # Renombra las columnas
   df.columns = ['Atributo', 'Valor'] + ['Col_'+str(i) for i in range(1, len(df.columns)-1)]
   
   # Establece el índice como Atributo
   df.set_index('Atributo', inplace=True)
   
   print(df)
   

   Salida:

                       Valor     Col_1     Col_2     Col_3     Col_4
   Atributo                                                        
   Attribute1               7       NaN       NaN       NaN       NaN
   Attribute2  "texto de ejemplo"       NaN       NaN       NaN       NaN
   Attribute3              []    "dato1"    "dato2"    "dato3"    "dato4"
   

   Observa que en los datos de muestra proporcionados, el tercer campo para Attribute1 y Attribute2 estan vacíos, pero los podemos manejar guardándolos como valores NaN en el dataframe. Además, en el caso de Attribute3, el campo Datos es una lista, así que lo guardamos como una lista vacía en el dataframe.

Comments are closed.