从下载的html文件中提取的Dataframe包含以空格分隔的浮点；如何清理？ [英] Dataframe extracted from downloaded html file contains floats separated by spaces; how to clean?

问题描述

这是this question的续篇，在this question中，我从CDS下载了一个文件，并使用rvest使用以下脚本解压：

library(rvest)

download.file("https://cdsarc.cds.unistra.fr/viz-bin/nph-Cat/html?J/MNRAS/495/1706/subaru.dat.gz", "subaru.dat.gz")
x <- rvest::read_html("subaru.dat.gz")
y <- rvest::html_table(x)

write.csv(y, file = 'subaru_fixed.csv')

生成的CSV文件包含几个character类型的列，这些列包含由空格分隔的两个浮点数(表示测量及其误差)。理想情况下，我希望将这两个浮点数分开，并将错误放在各自的列中，但是我可以完全忽略第二个浮点数。例如，

Bmag (e)       | Vmag (e)  | rmag (e)
21.6219 0.0015 |24.0 0.012 | 23.3316 0.0089

变为

Bmag       | Vmag | rmag
21.6219    | 24.0 | 23.3316

我想有一些方法可以使用Python来实现。有人能帮忙吗？

推荐答案

您可以在编写csv之前使用tidyr::separate。可能有一个聪明的函数可以同时对多个列应用分离，但这里有一种方法，对感兴趣的3个列使用3个分隔。

library(tidyr)

# example data
df1 <- data.frame(`Bmag (e)` = "21.6219 0.0015",
                  `Vmag (e)` = "24.0 0.012",
                  `rmag (e)` = "23.3316 0.0089",
                  check.names = FALSE)

df1 %>% 
  separate(`Bmag (e)`, 
           into = c("Bmag", "Bmag_e"), 
           sep = " ") %>% 
  separate(`Vmag (e)`, 
           into = c("Vmag", "Vmag_e"), 
           sep = " ") %>% 
  separate(`rmag (e)`, 
           into = c("rmag", "rmag_e"), 
           sep = " ")

结果：

     Bmag Bmag_e Vmag Vmag_e    rmag rmag_e
1 21.6219 0.0015 24.0  0.012 23.3316 0.0089

这篇关于从下载的html文件中提取的Dataframe包含以空格分隔的浮点；如何清理？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！