Scraping PDF de la liste nationale des salaires minimums par région du ministère de la Santé, du Travail et du Bien-être social

Préparation

!apt install python3-tk ghostscript
!pip install camelot-py[cv]

#Télécharger le PDF
!wget https://www.mhlw.go.jp/content/11200000/000541154.pdf -O data.pdf

!pip install japanmap
!pip install japanize-matplotlib

Grattage

import re

import camelot
import pandas as pd

tables = camelot.read_pdf(
    "data.pdf", pages="all", split_text=True, strip_text=" \n", line_scale=40
)

dfs = []

for table in tables:

    df0 = table.df

    df_col = df0.head(2)

    #Compléter les blancs lors des fusions de cellules
    idx = pd.MultiIndex.from_arrays(
        df_col.mask(df_col == "").fillna(method="ffill", axis=1).values
    )

    df1 = df0.iloc[2:].set_axis(idx, axis=1)
    df1.set_index(("année", "Nom des préfectures"), inplace=True)
    df1.index.name = "Nom des préfectures"

    #Convertir de ligne en colonne
    df2 = df1.unstack().reset_index().set_axis(["année", "Classification", "Préfectures", "Contenu"], axis=1)

    #Reconstruction par année / préfecture
    df3 = df2.pivot(index=["année", "Préfectures"], columns="Classification", values="Contenu")

    dfs.append(df3)

df = pd.concat(dfs).reset_index()

df.to_csv("data.tsv", sep="\t")

J'ai pu copier une cellule fusionnée en utilisant "copy_text" de camelot h: horizontal v: vertical https://camelot-py.readthedocs.io/en/master/user/advanced.html#copy-text-in-spanning-cells

tables = camelot.read_pdf(
    "data.pdf",
    pages="all",
    split_text=True,
    strip_text=" \n",
    line_scale=40,
    copy_text=["h"],
)

dfs = []

for table in tables:

    data = table.data
    df1 = pd.DataFrame(data[2:], columns=data[:2])

    df1.set_index(("année", "Nom des préfectures"), inplace=True)
    df1.index.name = "Nom des préfectures"

    df2 = df1.unstack().reset_index().set_axis(["année", "Classification", "Préfectures", "Contenu"], axis=1)
    df3 = df2.pivot(index=["année", "Préfectures"], columns="Classification", values="Contenu")

    dfs.append(df3)

df = pd.concat(dfs).reset_index()

df.to_csv("data.tsv", sep="\t")

De la question du yuan

def era2year(s):

    m = re.search("(Heisei|Reiwa)([0-9 yuans]{1,2})année", s)

    if m:

        era = m.group(1)
        nen = m.group(2)

        year = 1 if nen == "Ancien" else int(nen)

        if era == "Heisei":
            year += 1988
        elif era == "Reiwa":
            year += 2018

        return year

    return None

Data wrangling

from japanmap import pref_code

#Donner le code préfecture du nom de la préfecture
df["Code préfecture"] = df["Préfectures"].apply(pref_code)

#Passer du numéro original au calendrier occidental
df["UN D"] = df["année"].apply(era2year)

#Supprimer les virgules et convertir en nombres
df["Montant révisé(Cercle)"] = df["Montant révisé(Cercle)"].str.replace(",", "").astype(int)

#Trier par préfecture
pv = df.pivot(index=["Code préfecture", "Préfectures"], columns="UN D", values="Montant révisé(Cercle)").droplevel(
    "Code préfecture"
)

pv

Gratter la dernière année

#Grattage

df = pd.read_html(
    "https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/koyou_roudou/roudoukijun/minimumichiran/",
    index_col=0,
    header=0,
)[0]

df.index = df.index.str.replace("\s", "")

df.rename(columns={"Temps de salaire minimum [yen]": 2020}, inplace=True)

#Combinez avec la liste PDF

pv1 = pd.concat([pv, df[2020]], axis=1)

pv1.to_csv("minimumichiran.csv")

Les données

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
Moyenne nationale pondérée 663 664 665 668 673 687 703 713 730 737 749 764 780 798 823 848 874 901 902
Hokkaido 637 637 638 641 644 654 667 678 691 705 719 734 748 764 786 810 835 861 861
Aomori 605 605 606 608 610 619 630 633 645 647 654 665 679 695 716 738 762 790 793
Iwate 605 605 606 608 610 619 628 631 644 645 653 665 678 695 716 738 762 790 793
Miyagi 617 617 619 623 628 639 653 662 674 675 685 696 710 726 748 772 798 824 825
Akita 605 605 606 608 610 618 629 632 645 647 654 665 679 695 716 738 762 790 792
Yamagata 605 606 607 610 613 620 629 631 645 647 654 665 680 696 717 739 763 790 793
Fukushima 610 610 611 614 618 629 641 644 657 658 664 675 689 705 726 748 772 798 800
Ibaraki 647 647 648 651 655 665 676 678 690 692 699 713 729 747 771 796 822 849 851
Tochigi 648 648 649 652 657 671 683 685 697 700 705 718 733 751 775 800 826 853 854
Gunma 644 644 645 649 654 664 675 676 688 690 696 707 721 737 759 783 809 835 837
Saitama 678 678 679 682 687 702 722 735 750 759 771 785 802 820 845 871 898 926 928
Chiba 677 677 678 682 687 706 723 728 744 748 756 777 798 817 842 868 895 923 925
Tokyo 708 708 710 714 719 739 766 791 821 837 850 869 888 907 932 958 985 1013 1013
Kanagawa 706 707 708 712 717 736 766 789 818 836 849 868 887 905 930 956 983 1011 1012
Niigata 641 641 642 645 648 657 669 669 681 683 689 701 715 731 753 778 803 830 831
Toyama 644 644 644 648 652 666 677 679 691 692 700 712 728 746 770 795 821 848 849
Ishikawa 645 645 646 649 652 662 673 674 686 687 693 704 718 735 757 781 806 832 833
Fukui 642 642 643 645 649 659 670 671 683 684 690 701 716 732 754 778 803 829 830
Yamanashi 647 647 648 651 655 665 676 677 689 690 695 706 721 737 759 784 810 837 838
Nagano 646 646 647 650 655 669 680 681 693 694 700 713 728 746 770 795 821 848 849
Gifu 668 668 669 671 675 685 696 696 706 707 713 724 738 754 776 800 825 851 852
Shizuoka 671 671 673 677 682 697 711 713 725 728 735 749 765 783 807 832 858 885 885
Aichi 681 681 683 688 694 714 731 732 745 750 758 780 800 820 845 871 898 926 927
Tripler 667 667 668 671 675 689 701 702 714 717 724 737 753 771 795 820 846 873 874
Shiga 651 651 652 657 662 677 691 693 706 709 716 730 746 764 788 813 839 866 868
Kyoto 677 677 678 682 686 700 717 729 749 751 759 773 789 807 831 856 882 909 909
Osaka 703 703 704 708 712 731 748 762 779 786 800 819 838 858 883 909 936 964 964
Hyogo 675 675 676 679 683 697 712 721 734 739 749 761 776 794 819 844 871 899 900
Nara 647 647 648 652 656 667 678 679 691 693 699 710 724 740 762 786 811 837 838
Wakayama 645 645 645 649 652 662 673 674 684 685 690 701 715 731 753 777 803 830 831
Tottori 610 610 611 612 614 621 629 630 642 646 653 664 677 693 715 738 762 790 792
Shimane 609 609 610 612 614 621 629 630 642 646 652 664 679 696 718 740 764 790 792
Okayama 640 640 641 644 648 658 669 670 683 685 691 703 719 735 757 781 807 833 834
Hiroshima 644 644 645 649 654 669 683 692 704 710 719 733 750 769 793 818 844 871 871
Yamaguchi 637 637 638 642 646 657 668 669 681 684 690 701 715 731 753 777 802 829 829
Tokushima 611 611 612 615 617 625 632 633 645 647 654 666 679 695 716 740 766 793 796
Kagawa 618 619 620 625 629 640 651 652 664 667 674 686 702 719 742 766 792 818 820
Ehime 611 611 612 614 616 623 631 632 644 647 654 666 680 696 717 739 764 790 793
Kochi 611 611 611 613 615 622 630 631 642 645 652 664 677 693 715 737 762 790 792
Fukuoka 643 644 645 648 652 663 675 680 692 695 701 712 727 743 765 789 814 841 842
Saga 605 605 606 608 611 619 628 629 642 646 653 664 678 694 715 737 762 790 792
Nagasaki 605 605 606 608 611 619 628 629 642 646 653 664 677 694 715 737 762 790 793
Kumamoto 606 606 607 609 612 620 628 630 643 647 653 664 677 694 715 737 762 790 793
Oita 606 606 607 610 613 620 630 631 643 647 653 664 677 694 715 737 762 790 792
Miyazaki 605 605 606 608 611 619 627 629 642 646 653 664 677 693 714 737 762 790 793
Kagoshima 605 605 606 608 611 619 627 630 642 647 654 665 678 694 715 737 761 790 793
Okinawa 604 605 606 608 610 618 627 629 642 645 653 664 677 693 714 737 762 790 792

Visualisation

import japanize_matplotlib
import matplotlib as mpl
import matplotlib.pyplot as plt

#résolution
mpl.rcParams["figure.dpi"] = 200

pv1.T.plot(subplots=True, layout=(7, 7), figsize=(30, 30), ylim=(600, 1100))

#Enregistrer le graphique
plt.savefig("minimumichiran.png ", dpi=200, bbox_inches="tight")
plt.show()

Graphique

minimumichiran.png

Recommended Posts

Scraping PDF de la liste nationale des salaires minimums par région du ministère de la Santé, du Travail et du Bien-être social
Data Langling PDF sur l'épidémie de grippe par le ministère de la Santé, du Travail et du Bien-être social
Scraping PDF du statut des personnes testées positives dans chaque préfecture du ministère de la Santé, du Travail et du Bien-être social
Nettoyage des données des données ouvertes de la situation d'occurrence du ministère de la Santé, du Travail et des Affaires sociales
[Python] Lisez automatiquement les informations par préfecture du nouveau virus corona du PDF du ministère de la Santé, du Travail et du Bien-être social et écrivez-les dans un tableur ou Excel.
[Python] Créez un script qui utilise FeedParser et LINE Notify pour informer LINE des dernières informations sur le nouveau virus corona du ministère de la Santé, du Travail et des Affaires sociales.
[Python] Précautions lors de l'acquisition de données en grattant et en les mettant dans la liste
Data Langling PDF sur l'épidémie de grippe par le ministère de la Santé, du Travail et du Bien-être social
Nettoyage des données des données ouvertes de la situation d'occurrence du ministère de la Santé, du Travail et des Affaires sociales
Scraping PDF du statut des personnes testées positives dans chaque préfecture du ministère de la Santé, du Travail et du Bien-être social
Scraping PDF de la liste nationale des salaires minimums par région du ministère de la Santé, du Travail et du Bien-être social
[Python] Lisez automatiquement les informations par préfecture du nouveau virus corona du PDF du ministère de la Santé, du Travail et du Bien-être social et écrivez-les dans un tableur ou Excel.
Histoire de l'analyse d'image du fichier PDF et de l'extraction de données
Obtenez la liste "J'aime" de Qiita en grattant
Rechercher par la valeur de l'instance dans la liste