python - pandas read_html 函数 colspan=2

Question

我正在使用 pandas read_html 函数将 html 表加载到数据框中，但是它失败了，因为 source data有一个 colspan=2 合并标题，导致此断言错误:传递了 6 列，传递的数据有 7 列。

我已经尝试了标题 kwarg 的各种选项(header=None、header=['Code'...])，但似乎没有任何效果。

有谁知道使用 pandas read_html 解析和合并列的 html 表的方法吗？

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])

这摘自 Wes McKinney 的《Python for Data Analysis》一书。