如何使用Pandas读取ZIP文件中多文件夹下的多个.txt文件？

嘿，作为Python和ML新手，能精准说出需求已经很棒啦！针对你这种嵌套结构的ZIP文件（里面包含子文件夹，每个文件夹下有多个txt文件），咱们完全可以用Python自带的工具实现需求，不用复杂的第三方库（当然后续如果要整合到ML流程里，Pandas也能用上）。我给你写一套分步实现的代码，每一步都加注释，保证你能看懂～

核心思路 #

1. 用Python自带的zipfile模块直接读取ZIP文件，不用提前解压（节省空间，也更高效）
2. 遍历ZIP里的所有文件项，筛选出子文件夹下的.txt文件
3. 对每个txt文件，读取内容、清洗单词（去标点、转小写）
4. 统计每个单词的出现次数，同时把所在的文件夹名作为该文件的标签（比如Folder1里的文件标签就是Folder1）
5. 把结果整理成结构化的格式，方便后续ML使用

完整代码实现 #

import zipfile
import string
from collections import Counter

# 定义一个函数：清洗文本，把字符串转换成干净的单词列表
def clean_text(text):
    # 1. 把所有字符转成小写，避免"Hello"和"hello"被算作不同单词
    text = text.lower()
    # 2. 去掉所有标点符号（比如逗号、句号、感叹号）
    translator = str.maketrans('', '', string.punctuation)
    text_clean = text.translate(translator)
    # 3. 按空格分割成单词，过滤掉空字符串（比如连续空格导致的空项）
    words = [word for word in text_clean.split() if word]
    return words

# 主函数：处理ZIP文件
def process_zip(zip_path):
    # 用来存储所有结果的列表，每个元素是一个字典，包含标签、文件名、单词统计
    results = []
    
    # 打开ZIP文件（'r'表示只读模式）
    with zipfile.ZipFile(zip_path, 'r') as zip_ref:
        # 遍历ZIP里的每一个文件/文件夹项
        for file_info in zip_ref.infolist():
            # 跳过文件夹本身（因为zipfile会把文件夹也当作一个项）
            if file_info.is_dir():
                continue
            # 只处理.txt文件，并且文件在子文件夹里（路径包含'/'，比如Folder1/file1.txt）
            if file_info.filename.endswith('.txt') and '/' in file_info.filename:
                # 拆分路径：获取文件夹名和文件名，比如把'Folder1/file1.txt'拆成['Folder1', 'file1.txt']
                folder_name, file_name = file_info.filename.split('/', 1)
                # 读取文件内容（注意指定编码，避免乱码，一般用utf-8）
                with zip_ref.open(file_info.filename) as file:
                    # 把字节流转成字符串
                    content = file.read().decode('utf-8')
                    # 清洗文本得到单词列表
                    words = clean_text(content)
                    # 统计单词出现次数，用Counter很方便
                    word_count = Counter(words)
                    # 把结果添加到列表里，标签就是文件夹名
                    results.append({
                        '标签': folder_name,
                        '文件名': file_name,
                        '单词统计': dict(word_count)
                    })
    return results

# 调用示例：替换成你的ZIP文件路径
if __name__ == '__main__':
    zip_file_path = 'your_zip_file.zip'  # 这里改成你的.zip1文件路径
    final_results = process_zip(zip_file_path)
    
    # 打印结果，方便查看
    for item in final_results:
        print(f"===== 标签: {item['标签']}, 文件: {item['文件名']} =====")
        for word, count in item['单词统计'].items():
            print(f"{word}: {count}")
        print()

关键部分解释 #

• zipfile.ZipFile：Python自带的模块，无需额外安装，能直接操作ZIP文件，不用解压，非常适合处理大ZIP文件
• clean_text函数：处理文本的标准化步骤，这是NLP（自然语言处理）里的基础操作，转小写是为了统一单词格式，去标点是避免"world."和"world"被当成不同单词
• Counter：collections模块里的工具，能快速统计列表中元素的出现次数，比手动用字典统计更简洁
• 标签分配：这里直接用文件所在的文件夹名作为标签（比如Folder1下的所有文件标签都是Folder1），如果你的需求是其他类型的标签，可以直接修改folder_name对应的部分

适合ML新手的后续扩展 #

如果你想把这些数据用到机器学习里（比如做文本分类），可以用Pandas把结果转成DataFrame，或者生成词频矩阵：

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer

# 先重新获取文本和标签（如果已经有final_results也可以直接提取）
with zipfile.ZipFile('your_zip_file.zip', 'r') as zip_ref:
    # 获取所有符合条件的文件内容（转成空格分隔的字符串）
    texts = []
    labels = []
    for info in zip_ref.infolist():
        if not info.is_dir() and info.filename.endswith('.txt') and '/' in info.filename:
            content = zip_ref.open(info.filename).read().decode('utf-8')
            texts.append(' '.join(clean_text(content)))
            labels.append(info.filename.split('/',1)[0])

# 生成词频矩阵（每个文件一行，每个单词一列，值是出现次数）
vectorizer = CountVectorizer()
word_matrix = vectorizer.fit_transform(texts)
# 转成DataFrame查看
word_df = pd.DataFrame(word_matrix.toarray(), columns=vectorizer.get_feature_names_out())
word_df['标签'] = labels
print(word_df.head())

这样你就有了适合ML模型输入的结构化数据啦～

内容的提问来源于stack exchange，提问作者Mooshak