我正在尝试使用pandasread_html
将一个刮过的HTML表转换为python中的数据帧。问题是read_html
在没有中断的情况下引入了我的一列数据,这使得这些单元格的内容很难解析。在原始HTML中;单词";列中的分隔符。有没有一种方法可以保持这种格式或以其他方式保持";单词";转换为数据帧时分离?
import requests
from bs4 import BeautifulSoup
import pandas as pd
url="https://www.who.int/en/activities/tracking-SARS-CoV-2-variants/"
html_content = requests.get(url).text
# Parse the html content
soup = BeautifulSoup(html_content, "lxml")
voc_html = soup.find("table")
#convert to dataframe
voc_df = pd.read_html(str(voc_html))[0]
#retain list of variants
voc_list=voc_df['Pango lineages']
来自voc_list
的示例,其中单独的项目被弄脏在一起:voc_list[1]
`B.1.351xa0B.1.351.2B.1.351.3`
我希望它看起来像:B.1.3510 B.1.351.2 B.1.351.3
(或者每个项目都在自己的行上(
摘录自原始html版本,其中包括中断:
<td style="width:13%;background-color:#69d4ef;text-align:left;vertical-align:middle;">Beta <br/></td><td style="width:12.9865%;background-color:#69d4ef;text-align:left;"><p>B.1.351 <br/>B.1.351.2<br/>B.1.351.3</p></td>
感谢您的指导!
也许。。。
import pandas as pd
import requests
url = r'https://www.who.int/en/activities/tracking-SARS-CoV-2-variants/'
page = requests.get(url)
table = pd.read_html(page.text.replace('<br />',' '))
df = table[0]
输出:
WHO label Pango lineages GISAID clade Nextstrain clade
0 Alpha B.1.1.7 GRY 20I (V1)
1 Beta B.1.351 B.1.351.2 B.1.351.3 GH/501Y.V2 20H (V2)
2 Gamma P.1 P.1.1 P.1.2 GR/501Y.V3 20J (V3)
3 Delta B.1.617.2 AY.1 AY.2 G/478K.V1 21A
Additional amino acid changes monitored* Earliest documented samples
0 +S:484K +S:452R United Kingdom, Sep-2020
1 +S:L18F South Africa, May-2020
2 +S:681H Brazil, Nov-2020
3 +S:417N India, Oct-2020
Date of designation
0 18-Dec-2020
1 18-Dec-2020
2 11-Jan-2021
3 VOI: 4-Apr-2021 VOC: 11-May-2021
print(df)
同样,您可以用n
替换<br />
。