python - 将抓取的列表添加到 Pandas Dataframe

标签 python python-3.x pandas dataframe

我正在尝试返回公司名称列表的 URL,然后更新 pandas 数据框以包含返回的 URL。

我正在导入所有依赖项并读取 .csv 文件:

import logging
import os
import pandas as pd
import re
from googlesearch import search

df = pd.read_csv('Building_Contractors_Stephen_V1.csv')

df.head()

df.head() results

然后我定义一个获取所有 URL 的函数:

def get_urls(tag, n, language):
    urls = [url for url in search(tag, stop=n, lang=language)][:n]
    return urls

然后我在一个网址上进行测试:

test_return = get_urls(df.Hospital_Building_Contractors[0], 10, 'en') 
test_return     

返回 URL 列表:

['https://www.turnerconstruction.com/',
 'http://www.turnerconstruction.com/careers',
 'http://www.turnerconstruction.com/office-network',
 'http://www.turnerconstruction.com/about-us',
 'http://www.turnerconstruction.com/turner-university',
 'http://www.turnerconstruction.com/careers/jobs',
 'http://www.turnerconstruction.com/about-us/where-we-work',
 'https://en.wikipedia.org/wiki/Turner_Construction',
 'https://en.wikipedia.org/wiki/Turner_Construction#History',
 'https://en.wikipedia.org/wiki/Turner_Construction#Early_years']

我似乎无法弄清楚如何迭代列表中的所有项目,并将它们添加到数据框中的新列。

这是我的代码:

i = 0
num = len(df.Hospital_Building_Contractors)
while i < num:
    get_urls(df.Hospital_Building_Contractors[i], 1, 'en')
    df.insert(1, "URL", urls, allow_duplicates=True) 
    i += 1

返回此错误:


NameError Traceback (most recent call last) in 17 while i < num: 18 get_urls(df.Hospital_Building_Contractors[i], 1, 'en') ---> 19 df.insert(1, "URL", urls, allow_duplicates=True) 20 i += 1 21

NameError: name 'urls' is not defined

我确信这是一个很容易解决的问题,但我很困惑。 我在 get_urls() 函数中定义“urls”;所以我不确定为什么会出现这个错误。

理想情况下,我会有一个像这样的解决方案:

a = 0
num = len(df.Hospital_Building_Contractors)
while a < num:
    get_urls(df.Hospital_Building_Contractors[a], 1, 'en')
    df.insert(1, "URL", urls, allow_duplicates=True) 
    a += 1


b = 0
num = len(df.University_Building_Contractors)
while b < num:
    get_urls(df.University_Building_Contractors[b], 1, 'en')
    df.insert(3, "URL", urls, allow_duplicates=True) 
    b += 1


c = 0
num = len(df.Hospital_Building_Contractors)
while c < num:
    get_urls(df.Hospital_Building_Contractors[c], 1, 'en')
    df.insert(5, "URL", urls, allow_duplicates=True) 
    c += 1

它将迭代每个列表,查找 URL 并将它们添加到数据帧中。

最佳答案

使用带有过滤器的自定义lambda 函数,仅处理字符串:

from googlesearch import search

df = pd.read_csv('Building_Contractors_Stephen_V1.csv')
#print (df)


def get_urls(tag, n, language):
    urls = [url for url in search(tag, stop=n, lang=language)][:n]
    return urls

#for only one top1 value
f = lambda x: next(iter(get_urls(x, 1, 'en') if isinstance(x, str) else []), 'no value')
#for multiple top values, eg. top3
#f = lambda x: get_urls(x, 3, 'en') if isinstance(x, str) else []
df['a'] = df.Hospital_Building_Contractors.apply(f)
df['b'] = df.University_Building_Contractors.apply(f)
df['c'] = df.Military_Contractors.apply(f)

print (df.tail())
    Hospital_Building_Contractors University_Building_Contractors  \
104                Progressive AE                             NaN   
105           Hellas Construction                             NaN   
106               Wight & Company                             NaN   
107               PWI Engineering                             NaN   
108   Cordogan Clark & Associates                             NaN   

    Military_Contractors                                                a  \
104                  NaN  https://www.linkedin.com/company/progressive-ae   
105                  NaN               http://www.hellasconstruction.com/   
106                  NaN                         https://www.wightco.com/   
107                  NaN                            http://www.pwius.com/   
108                  NaN                    http://www.cordoganclark.com/   

            b         c  
104  no value  no value  
105  no value  no value  
106  no value  no value  
107  no value  no value  
108  no value  no value  

关于python - 将抓取的列表添加到 Pandas Dataframe,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54663468/

相关文章:

python - 根据最后一列和最后一行的总和查找前 5 个值

Python Tf idf算法

python - pyvirtualdisplay 在 Xvfb 上的工作剂量是多少,或者 pyvirtualdisplay 可以打开多少个 Xvfb?

python - 填充预定义的 pandas 数据框

python - 计算元组列表中第 i 个元素的平均值

python - 为数据框中的每个 ID 创建一个日期时间

python - df.groupby() 需要修改帮助

python - 使用依赖项测试异步 FastAPI 端点

python - 有效地填充 numpy 中的张量

python pip - 具有本地依赖项的开发模式