Pandas ger dig tillgång till ett brett utbud av kritiska aspekter och instruktioner som är avsedda att snabbt utvärdera din data. Vi utnyttjar processen att förvandla Pandas DataFrames till HTML-tabeller. Utvecklarna och användarna måste integrera sina Python DataFrames i en HTML-källkod. De använder detta Pandas-tillägg för att enkelt flytta sina data till en HTML-fil för detta ändamål med Pandas till HTML-tekniken. För att förklara metodiken använder vi verktyget 'Spyder' för implementeringen för att göra det lätt att förstå tillsammans med varje implementering, steg för steg.
Om vi vill analysera en lokal HTML-fil i Pandas använder vi taggens namn och textaspekter. I samband med koden för tag-ul från filen kan vi anpassa taggens titel och innehåll. Om vi vill få HTML-filen från URL:en i Pandas bör vi gå igenom några steg som inkluderar webbadressparametern för att anropa skanningsfunktionen. Sedan hänvisar vi till de variabler som möjliggör granskning från databasobjekt och läser in hela webbadressen inuti datavariabeln för att köra koden för att få data utskrivna i HTML-format.
Syntax för Pandas till HTML:
Exempel: Visa renderingen av en Pandas DataFrame i HTML-kod och tabell
På en HTML-webbsida kan Pandas i Python ändra en Pandas DataFrame till en HTML-tabell. En Pandas DataFrame exekveras med metoden “pandas.DataFrame.to html()”. Låt oss titta på vårt exempel och diskutera proceduren för att omvandla vår Python DataFrame till HTML-källkod. För att åstadkomma detta måste vi först designa DataFrame som slutligen renderas till HTML. För att tillämpa Pandas-filosofin på vår Python-kod importerar vi följaktligen Pandas-biblioteket som 'pd.'
Vår DataFrame 'Medlemmar' innehåller ordböckerna relaterade till medlemmens information tillsammans med de fyra deklarerade variablerna som 'Namn', 'Ålder', 'Jobb' och 'Färdighet'. Den första raden lagrar data som 'Cameron' för 'Namn', '21' för 'ålder', 'Arkitekt' för 'Jobb' och 'Skrivare' för 'Skill'. På detta sätt är den andra raden av de DataFrame-initierade värdena som vi tilldelar 'James', '31', 'Programmer' och 'Mechanic' i sina respektive kolumner. På så sätt innehåller den andra ordboken 'Tommy', '28', 'Kassa' och 'Beräkning' i sina data. Och den sista raden som vi tilldelar vår DataFrame innehåller data 'Robert' som ett värde för 'Namn', '40' som ett tilldelat värde för 'Ålder', 'Renare' som 'Jobb' och 'Sångare' som en 'Skicklighet'.
Härefter, genom att tilldela data för vår DataFrame, ger vi dem också 'index'-intervallet från '1' till '4' eftersom DataFrame kan ha fyra rader. Efter det använder vi funktionen 'pd.dataframe()' för att slå samman data tillsammans med indexnumren. Slutligen använder vi 'print()'-funktionen för att visa vår DataFrame.
Nu kan vi se visningen av våra DataFrame 'Members' som vi skapade. Här kan vi se att det är den enkla visningen av vår DataFrame som vi konverterar till en HTML-källa. Den har helt enkelt fyra kolumner - 'Namn', 'Ålder', 'Jobb' och 'Färdighet' - med alla liknande data som vi tilldelar vår DataFrame i koden. Dess rader har indexnummer som '1', '2', '3' och '4'. I det här steget ser vi att vi skapar vår DataFrame 'Medlemmar'. Efter att ha skapat vår DataFrame fortsätter vi med den fortsatta implementeringen.
Nu är det här steget där vi ser hur vi kan konvertera våra DataFrame 'Members' till en HTML-kod. Det är dags att förstå knepet med Pythons DataFrame to html()-metod som utvecklar DataFrame till HTML. Funktionen html() ändrar hela DataFrame, vilket resulterar i att varje rad i DataFrame är en distinkt sekvens i HTML-tabellen. För detta ändamål deklarerar vi variabeln 'html' och lagrar den med funktionen 'df.to_html()' för att konvertera hela vår DataFrame till en HTML-kod. Efter implementeringen av 'df.to_html()'-funktionen tillämpar vi 'print()'-funktionen på 'html'-katalogen.
Nu tittar vi på HTML-koden som konverteras från Pandas DataFrame 'Members'. Detta är sättet att konvertera någon av våra DataFrames till en HTML-källkod som beskriver hela DataFrame i HTML-kod inklusive alla taggar som har tabellkanter som '1'. Kolumnnamnen är inkapslade under '' som tabellhuvud för HTML-elementet medan hela DataFrame modifieras till ett ' Eftersom det fanns fyra rader i vår DataFrame, används ' Nu sparar vi vår HTML-kod i den aktuella katalogen som körs som 'signal' tillsammans med tillägget '.html'. Vi använder funktionen 'open()' för att bestämma filplatsens namn som 'file=open('signal.html', 'w'). Eftersom platsnyckelordet 'w' lagrar det för att visa filen och avslöja den i HTML-form, använder vi funktionen '.write()' och avslutar vår Pandas-kod tillsammans med funktionen 'close()' på filen. Vi talar om majoriteten av det enklare fallet som vi använder för att spara det tillsammans med filtillägget '.html' som konverterar det till HTML och tillhandahåller webbläsarens gränssnitt i samma katalog. Efter konverteringen av vår DataFrame 'Medlemmar' till HTML, får vi vår HTML-kod som vi sparar först i samma katalogplats. När vi får vår HTML-källkod kan vi öppna den tillsammans med webbtillägget genom att öppna HTML-källfilen med webbläsaren. Vi ser att den visar utdata som en HTML-tabell på webbläsarsidan. Som vi kan se i tabellens utdata innehåller den en kantstorlek på '1' och inget cellavstånd längs dem. Tabellen visar fem kolumner. Av vilka fyra kolumnnamn är 'Namn', 'Ålder', 'Jobb' och 'Färdighet'. Om vi pratar om '1'-indexnumret har det 'Cameron' i kolumnen 'Namn', '21' i 'Ålder', 'Arkitekt' i 'Jobb' och 'Skrivare' i 'Skill'. Indexnumret '2' i tabellen visar 'James' i 'Namn', '31' i 'Ålder', 'Programmerare' i 'Jobb' och 'Mekaniker' i 'Skill'. Indexet '3' i kolumnen 'Namn' visar 'Tommy', '28' i 'Ålder', 'Kassa' i 'Jobb' och 'Beräkning i kolumn 'Färdighet' på webbläsarsidan. '4'-indexet på den sista raden i tabellen visar 'Robert' i 'Namn', '40' i 'Ålder', 'Renare' i 'Jobb' och 'Sångare' i 'Skill'. För att ändra vår DataFrame till HTML-källkoden för den här artikeln, sammanställde vi den först med namnet 'Medlemmar.' När vi renderar en DataFrame till en HTML-kod använder vi funktionen 'html = df.to html()'. När vi visar en HTML-tabell använder vi katalogen “file = open(“signal.html”, “w”)” och filplatsen “signal.html” som sparas i samma katalog. Genom detta kunde vi förvandla vår Pandas DataFrame till en HTML-källkodsfil och visa den med en tabell.' HTML-element. Dessutom omvandlas varje rad i DataFrame till en rad tillsammans med taggen '
' i HTML-tabellen. '' använder vissa saker av 'CSS' tillsammans med taggen ' ' som beskriver tabellraden.
' fyra gånger tillsammans med deras avslutande taggar. Som vi vet i HTML måste den ha både öppnings- och stängningstaggar i sin respektive HTML-kod. All data eller DataFrame är innesluten mellan den inledande ' ' och '
' och den avslutande taggen. Resten av hela HTML-koden innehåller samma data som i DataFrame, den konverteras bara till enkel HTML-källkod tillsammans med de nödvändiga taggar som krävs för att bilda en tabell.
Slutsats