Question

我正在使用pandas read_html函数将html表加载到数据帧中，但它失败了，因为source data有一个colspan = 2合并的头，导致此AssertionError：传递了6列，传递了数据7列。

我已尝试使用标题kwarg（header = None，header = ['Code'...]）的各种选项，但似乎没有任何效果。

有没有人知道使用pandas read_html解析和使用合并列的html表？

Answer 1

如果您不坚持使用pandas中的read_html，则此代码可以完成这项工作：

import pandas as pd
from lxml.html import parse
from urllib2 import urlopen
from pandas.io.parsers import TextParser

def _unpack(row, kind='td'):
   elts = row.findall('.//%s' % kind)
   return [val.text_content() for val in elts]

def parse_options_data(table):
  rows = table.findall('.//tr')
  header = _unpack(rows[0], kind='th')
  data = [_unpack(r) for r in rows[1:]]
  return TextParser(data, names=header).get_chunk()

parsed = parse(urlopen('http://www.bmfbovespa.com.br/en-us/intros/Limits-and-Haircuts-for-accepting-stocks-as-collateral.aspx?idioma=en-us'))
doc = parsed.getroot()
tables = doc.findall('.//table')
table = parse_options_data(tables[0])

这取自Wes McKinney的“Python for Data analysis”一书。

Answer 2

pandas> = 0.24.0可以理解colspan和rowspan属性。根据{{3}}：

result = pd.read_html("""
    <table>
      <thead>
        <tr>
          <th>A</th><th>B</th><th>C</th>
        </tr>
      </thead>
      <tbody>
        <tr>
          <td colspan="2">1</td><td>2</td>
        </tr>
      </tbody>
    </table>""")

result

出局：

[   A  B  C
 0  1  1  2

以前，这将返回以下内容：

[   A  B   C
 0  1  2 NaN]

由于找不到URL，因此无法测试您的链接。

使用colspan = 2的pandas read_html函数

2 个答案: