[英]How to reindex malformed columns retrived from pandas read_html?
我正在从一个网站中检索一些内容,这个网站有几个具有相同列数的表,pandas为read_html
。 当我读取一个实际上有几个具有相同列数的表的链接时,pandas有效地将所有表读为一个(类似于平面/规范化表)。 但是,我有兴趣对网站的链接列表(即几个链接的单个平面表)做同样的事情,所以我尝试了以下方法:
在:
import multiprocessing
def process(url):
df_url = pd.read_html(url)
df = pd.concat(df_url, ignore_index=False)
return df_url
links = ['link1.com','link2.com','link3.com',...,'linkN.com']
pool = multiprocessing.Pool(processes=6)
df = pool.map(process, links)
df
尽管如此,我想我并没有指定core_cts的read_html()
,因此我得到了这个列表格式错误的列表:
日期:
[[ Form Disponibility \
0 290090 01780-500-01) Unavailable - no product available for release.
Relation \
Relation drawbacks
0 NaN Removed
1 NaN Removed ],
[ Form \
Relation \
0 American Regent is currently releasing the 0.4...
1 American Regent is currently releasing the 1mg...
drawbacks
0 Demand increase for the drug
1 Removed ,
Form \
0 0.1 mg/mL; 10 mL Luer-Jet Prefilled Syringe (N...
Disponibility Relation \
0 Product available NaN
2 Removed
3 Removed ]]
所以我的问题是我应该移动哪个参数以便从上面的嵌套列表中获得平坦的pandas数据帧 ? 我尝试使用header=0
, index_col=0
, match='"columns"'
,它们都没有工作,或者当我用pd.Dataframe()
创建pandas数据帧时,我是否需要进行pd.Dataframe()
? 我的主要目标是拥有一个像这个列一样的pandas数据框:
form, Disponibility, Relation, drawbacks
1
2
...
n
IIUC你可以这样做:
首先要返回级联DF,而不是话语结构(如列表read_html
返回话语结构的列表 ):
def process(url):
return pd.concat(pd.read_html(url), ignore_index=False)
然后为所有URL连接它们:
df = pd.concat(pool.map(process, links), ignore_index=True)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.