Pandas sa HTML

Binibigyan ka ng Pandas ng access sa malawak na hanay ng mga kritikal na aspeto at tagubilin na nilalayon upang mabilis na suriin ang iyong data. Ginagamit namin ang proseso ng paggawa ng Pandas DataFrames sa mga HTML na talahanayan. Kailangang isama ng mga developer at user ang kanilang Python DataFrames sa isang HTML source code. Ginagamit nila ang Pandas extension na ito upang walang kahirap-hirap na ilipat ang kanilang data sa isang HTML file para sa layuning ito gamit ang Pandas to HTML technique. Upang ipaliwanag ang pamamaraan, ginagamit namin ang tool na 'Spyder' para sa pagpapatupad upang gawing madaling maunawaan kasama ng bawat pagpapatupad, hakbang-hakbang.

Kung gusto naming mag-parse ng lokal na HTML file sa Pandas, ginagamit namin ang pangalan at text facet ng tag. Kasabay ng code para sa tag-ul mula sa file, maaari naming i-customize ang pamagat at content ng tag. Kung gusto naming kunin ang HTML file mula sa URL sa Pandas, dapat kaming dumaan sa ilang hakbang na kinabibilangan ng parameter ng web URL upang gamitin ang scan function. Pagkatapos, ire-refer namin ang mga variable na nagbibigay-daan sa pag-aaral mula sa mga object ng database at binabasa ang buong laman ng URL sa variable ng data para patakbuhin ang code para mai-print ang data sa HTML na format.

Syntax para sa mga Panda hanggang HTML:

Halimbawa: Ipakita ang Render ng isang Pandas DataFrame Sa HTML Code at Table

Sa isang HTML web page, maaaring baguhin ng Pandas sa Python ang Pandas DataFrame sa isang HTML table. Ang isang Pandas DataFrame ay isinasagawa gamit ang 'pandas.DataFrame.to html()' na paraan. Tingnan natin ang aming halimbawa at talakayin ang pamamaraan upang baguhin ang aming Python DataFrame sa HTML source code. Upang magawa ito, kailangan muna nating idisenyo ang DataFrame na sa huli ay nagre-render sa HTML. Upang mailapat ang pilosopiya ng Pandas sa aming Python code, dahil dito, ini-import namin ang library ng Pandas bilang 'pd.'

Ang aming DataFrame 'Mga Miyembro' ay naglalaman ng mga diksyunaryo na nauugnay sa impormasyon ng miyembro kasama ang apat na ipinahayag na mga variable bilang 'Mga Pangalan', 'Edad', 'Trabaho', at 'Kasanayan'. Iniimbak ng unang hilera ang data bilang 'Cameron' para sa 'Mga Pangalan', '21' para sa 'edad', 'Arkitekto' para sa 'Trabaho', at 'Writer' para sa 'Kasanayan'. Sa ganitong paraan, ang pangalawang row ng DataFrame na mga inisyal na halaga na itinalaga namin ay 'James', '31', 'Programmer' at 'Mechanic' sa kani-kanilang mga column. Sa ganitong paraan, ang ibang diksyunaryo ay naglalaman ng 'Tommy', '28', 'Cashier' at 'Pagkalkula' sa data nito. At ang huling row na itinalaga namin sa aming DataFrame ay naglalaman ng data na 'Robert' bilang isang halaga para sa 'Mga Pangalan', '40' bilang isang nakatalagang halaga para sa 'Edad', 'Cleaner' bilang 'Trabaho', at 'Kumanta' bilang isang 'Kasanayan'.

Pagkatapos nito, ang pagtatalaga ng data para sa aming DataFrame, binibigyan din namin sila ng hanay ng 'index' mula sa '1' hanggang '4' dahil maaaring magkaroon ng apat na row ang DataFrame. Pagkatapos nito, ginagamit namin ang function na 'pd.dataframe()' upang pagsamahin ang data kasama ang mga numero ng index. Panghuli, ginagamit namin ang function na 'print()' upang ipakita ang aming DataFrame.

Ngayon, makikita na natin ang pagpapakita ng ating DataFrame 'Mga Miyembro' na ginawa natin. Dito, makikita natin na ito ay ang simpleng pagpapakita ng ating DataFrame na kino-convert natin sa isang HTML source. Mayroon lamang itong apat na column - 'Mga Pangalan', 'Edad', 'Trabaho', at 'Kasanayan' - kasama ang lahat ng katulad na data na itinalaga namin sa aming DataFrame sa code. Ang mga hilera nito ay may mga index na numero bilang '1', '2', '3', at '4'. Sa hakbang na ito, nakita namin na ginagawa namin ang aming DataFrame na 'Mga Miyembro'. Pagkatapos gawin ang aming DataFrame, magpapatuloy kami sa karagdagang pagpapatupad.

Ngayon, ito ang hakbang kung saan nakikita namin kung paano namin mako-convert ang aming 'Mga Miyembro' ng DataFrame sa isang HTML code. Oras na para maunawaan ang panlilinlang ng DataFrame ng Python sa html() na pamamaraan na nag-evolve ng DataFrame sa HTML. Binabago ng html() function ang buong DataFrame, na nagreresulta sa bawat hilera sa DataFrame bilang isang natatanging sequence sa HTML table. Para sa layuning ito, ipinapahayag namin ang variable na 'html' at iniimbak ito gamit ang function na 'df.to_html()' upang i-convert ang aming buong DataFrame sa isang Html code. Pagkatapos ng pagpapatupad ng function na 'df.to_html()', inilalapat namin ang function na 'print()' sa direktoryo ng 'html'.

Ngayon, tinitingnan namin ang HTML code na na-convert mula sa Pandas DataFrame 'Mga Miyembro'. Ito ang paraan upang i-convert ang alinman sa aming mga DataFrame sa isang HTML source code na naglalarawan sa buong DataFrame sa HTML code kasama ang lahat ng mga tag na may mga hangganan ng talahanayan bilang '1'. Ang mga pangalan ng column ay naka-encapsulate sa ilalim ng “” bilang table head ng element ng HTML habang ang buong DataFrame ay binago sa isang “

Dahil mayroong apat na row sa aming DataFrame, ginagamit din ang '

Ngayon, ise-save namin ang aming HTML code sa kasalukuyang tumatakbong direktoryo bilang 'signal' kasama ang extension na '.html'. Ginagamit namin ang function na “open()” para matukoy ang pangalan ng lokasyon ng file bilang “file=open(“signal.html”, “w”)”. Habang iniimbak ito ng keyword ng lugar na 'w' upang ipakita ang file at ibunyag ito sa HTML form, ginagamit namin ang function na '.write()' at tinatapos ang aming Pandas code kasama ang function na 'close()' sa file. Pinag-uusapan namin ang karamihan sa mas simpleng kaso na ginagamit namin upang i-save ito kasama ang '.html' na extension ng file na nagko-convert nito sa HTML at nagbibigay ng interface ng browser sa parehong direktoryo.

Pagkatapos ng conversion ng aming DataFrame 'Mga Miyembro' sa HTML, nakukuha namin ang aming HTML code na una naming ise-save sa parehong lokasyon ng direktoryo. Kapag nakuha namin ang aming HTML source code, maaari naming buksan ito kasama ng web extension sa pamamagitan ng pagbubukas ng HTML source file gamit ang browser. Nakita namin na ipinapakita nito ang output bilang isang HTML na talahanayan sa pahina ng browser.

Tulad ng nakikita natin sa output ng talahanayan, naglalaman ito ng laki ng hangganan na '1' at walang cell spacing sa kanila. Ang talahanayan ay nagpapakita ng limang hanay. Kung saan, apat na pangalan ng column ang 'Mga Pangalan', 'Edad', 'Trabaho' at 'Kasanayan'. Kung pag-uusapan natin ang '1' index number, mayroon itong 'Cameron' sa Column 'Names', '21' sa 'Edad', 'Arkitekto' sa 'Trabaho' at 'Writer' sa 'Skill'. Ang index number ng '2' sa talahanayan ay nagpapakita ng 'James' sa 'Mga Pangalan', '31' sa 'Edad', 'Programmer' sa 'Trabaho' at 'Mekaniko' sa 'Kasanayan'. Ang '3' index ng column na 'Mga Pangalan' ay nagpapakita ng 'Tommy', '28' sa 'Edad', 'Cashier' sa 'Trabaho' at 'Pagkalkula sa column na 'Kasanayan' sa pahina ng browser. Ang '4' index ng huling hilera sa talahanayan ay nagpapakita ng 'Robert' sa 'Mga Pangalan', '40' sa 'Edad, 'Cleaner' sa 'Trabaho' at 'Kumanta' sa 'Kasanayan'.

Konklusyon

Upang mabago ang aming DataFrame sa HTML source code para sa artikulong ito, una naming binuo ito na may pangalang 'Mga Miyembro.' Kapag nag-render ng DataFrame sa isang HTML code, ginagamit namin ang function na “html = df.to html()”. Kapag nagpapakita ng HTML table, ginagamit namin ang direktoryo na “file = open(“signal.html”, “w”)” at ang lokasyon ng file na “signal.html” na naka-save sa parehong direktoryo. Sa pamamagitan nito, nagawa naming gawing HTML source code file ang aming Pandas DataFrame at ipakita ito gamit ang isang table.