Le bon, le mauvais et le laid de pd.read_html

Le bon, le mauvais et le laid de pd.read_html une chronique des réussites et des échecs

Pour les fans non initiés de pd.read_html

Attachez-vous. 🐴 Il est temps pour un nouvel examen de la Science des Données, Bon, Mauvais et Laid.

Si vous n’êtes pas déjà fan de pd.read_html() ou de son cousin pd.to_html() . . . vous ratez quelque chose. Et si vous me donnez une chance, je vous convertirai d’ici la fin de cet article.

Dans cet article, je vous montrerai d’abord une brève démonstration de pd.read_html() puis j’aborderai les points positifs (ses points forts), les points négatifs (ses faiblesses et limitations) et les points problématiques (ses bizarreries).

Crédit de l'image: Création de l'auteur utilisant Canva text to image. 🤠 🐼 — Crédit de l’image: Création de l’auteur utilisant Canva text to image. 🤠 🐼

En résumé pd.read_html() vous permet de récupérer, en une seule ligne de code, toutes les tables d’un document HTML. Si vous n’êtes pas impressionné, je suis convaincu que vous n’avez pas pleinement considéré toutes les utilisations et implications possibles ici.

Cette table sur Wikipedia montre des informations sur bon nombre des fameux 10 000 lacs du Minnesota.

Crédit de l'image: Capture d'écran de Wikipedia. Crédit à Wikipedia et à ses contributeurs qui partagent leurs informations sous licence Creative Commons. L'original se trouve ici: Liste des lacs du Minnesota. — Crédit de l’image: Capture d’écran de Wikipedia. Crédit à Wikipedia et à ses contributeurs qui partagent leurs informations sous licence Creative Commons. L’original se trouve ici: Liste des lacs du Minnesota.

D’un point de vue de la gestion des données, cette table pose problème. Elle comporte neuf colonnes. Cependant, les colonnes les plus à droite sont parfois remplies, mais parfois non. Lorsqu’elles ne sont pas remplies, certaines de ces colonnes sont fusionnées, mais d’autres fois non. Les configurations cohérentes sont mélangées, ce qui pose problème.

Comme démonstration des problèmes, vous pouvez jouer chez vous en surlignant les six lignes montrées ci-dessus. Ensuite, je les ai copiées et collées dans un tableur pour obtenir ce résultat moche, illisible et inutile.

Crédit de l'image: Capture d'écran de l'auteur réalisée en suivant la procédure décrite ici. — Crédit de l’image: Capture d’écran de l’auteur réalisée en suivant la procédure décrite ici.

Autrement, considérez le résultat obtenu en une seule ligne de code :

pd.read_html('https://en.wikipedia.org/wiki/List_of_lakes_of_Minnesota')[1]

Pas parfait, mais cela donne le résultat suivant, bien plus lisible et utile.

Crédit de l'image: Capture d'écran de l'auteur obtenue avec le code indiqué ici. — Crédit de l’image: Capture d’écran de l’auteur obtenue avec le code indiqué ici.

Les points positifs (Points forts)

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!

Was this article helpful?

93 out of 132 found this helpful

Le bon, le mauvais et le laid de pd.read_html