从 PDF 文件中提取数据
我有时会分析发布的数据，有时我希望PDF文件中的表格成为数据表。特别是，令人惊讶的是，政府机关等发布的数据经常以表格形式嵌入 PDF 文件中，而不是 Excel 或 csv 格式。
当时，直到四五年前，我曾经选择并复制PDF文件上的相应表格并将其粘贴到Excel或JMP中，但有很多情况无法正确识别为数据，并且在最坏的情况下有时我会放弃并手动创建数据。
当时，JMP 15 版本添加了“PDF 导入向导”对我来说是福音。过去需要花费时间的 PDF 数据创建现在可以在几秒钟内完成！ ！这可以腾出时间来深入分析数据。
上次我写的博客文章（性别差距指数）引用了PDF报告中的表格，但如果没有PDF导入向导的功能，创建数据会很麻烦且令人沮丧。
因此，在这篇博客中，我将介绍“PDF导入向导”的神奇之处。即使您已经在使用此功能，也可能有些事情您不知道，所以请阅读它。
PDF 导入向导可以做什么
“PDF导入向导”是在读取PDF文件之前参考预览调整要读取的数据的功能。
从 JMP 菜单栏中选择 [文件] > [打开]，然后选择要加载的 PDF 文件以自动启动“PDF 导入向导”(*1)。
预览显示在向导的左侧，如上所示。它会自动识别PDF中的表格，并将识别出的表格显示在右侧的“表格预览”中。
此处检查您要读取的表是否被识别，如果没有问题，单击【确定】按钮将其作为JMP数据表打开。
在这个例子中，我们可以轻松加载论文中给出的实验数据。
接下来，我将选取两个令人惊奇的点并结合实际例子进行介绍。
令人惊叹的第 1 部分：自动将具有相同列名的表连接成一个
以下为内阁官房公布的一般国家公务员就业状况统计数据 PDF（*2）。根据该表，我们希望为每个部门的兼职员工数量、同比变化（人）和同比变化（%）创建一个 JMP 数据表。
自动识别 PDF 中的表格的功能可能很有用，但在实践中，很少会读取 PDF 中的所有表格，而且很多情况下您只想读取特定的表格。
在这种情况下，在向导的右上角，忽略所有表单击该按钮可取消自动选择。
之后，移动到左侧预览中包含您要阅读的表格的页面，然后单击页面左上角的红色小三角按钮。 [自动检测此页面]仅自动检测该页面上的表格。
但是，有些表的自动检测效果不佳。此时，将需要制作表格的地方拖动成一个矩形，矩形框内的表格就会被识别。在实际应用中，这种通过拖动选择表格的方法很方便。
选择相关表格后，在右侧预览“连接具有匹配列名的表” ，然后单击[确定]按钮。
然后，分别显示为两个的表格将被一起读入一张表格。
通常，会加载两个表，然后您必须使用 [Concatenate] 将这些表合并为一个表，此向导会为您完成此操作。
因此，通过稍微修改创建的数据表，我们能够创建员工人数、同比变化和同比变化的直方图，并调查异常的部委和机构。
令人惊奇的第 2 部分：将多页表格连接成一页
该 PDF 文件显示了各国跳台滑雪团体赛的成绩（*3）。显示了第 1 名到第 8 名的结果，但它们不包含在一页中，而是分布在两页中。虽然它是按国家/地区划分的表格格式，但我想将这些表格合并为一张表格。
您正在预览此 PDF。选择目标表并“将所有表连接成一个”并单击[确定]按钮。
它将多个表加载到一个表中。与前面的示例不同，这里使用的 PDF 文件具有没有列名称的表格，因此我使用了“将所有表格连接成一个”。
此后，需要进行一些数据处理，但我能够为每个团队（4 名玩家）创建得分图，而无需花费太多时间。有趣的是，有 4 名球员得分分散的球队和没有得分分散的球队。
我们将继续充分利用这一精彩功能，为数据分析而努力！ ！
作者：Naohiro Masukawa（JMP 日本）
PDF文件引用
*1：合理设计用于细菌纤维素生产的可扩展生物工艺平台
https://www.sciencedirect.com/science/article/abs/pii/S0144861718312839
*2：内阁官房国家公务员就业状况统计表
https://www.cas.go.jp/jp/gaiyou/jimu/jinjikyoku/files/20220701_toukeihyou_gaiyou.pdf
*3：国际滑雪联合会跳台滑雪世界杯官方成绩
https://medias2.fis-ski.com/pdf/2023/JP/3093/2023JP3093RL.pdf
