Связывание вложенных таблиц в пандах

Question

Я могу читать внутренние таблицы напрямую, используя приведенный ниже код.

url='https://s3.amazonaws.com/todel162/AAKAR.html'
df_one=pd.read_html(url, header=0, match='Number of Booked Apartment')[1]
df_two=pd.read_html(url, header=0, match='Number of Booked Apartment')[2]

Но как мне связать внутреннюю таблицу с основной таблицей?Например, упомянутый выше кадр df_one связан с серийным номером 1 (внешний).Есть ли способ извлечь внешнюю таблицу так, чтобы были выбраны только серийные номера 1 и 2?

---

Обновление:

Есть раздел под названием "Детали здания".Если вы зайдете на страницу, вы увидите первый серийный номер, например:

Sr.No.  Project Name    Name    Proposed Date of Completion Number of Basement's    Number of Plinth    Number of Podium's  Number of Slab of Super Structure   Number of Stilts    Number of Open Parking  Number of Closed Parking
1   SRUSHTI COMPLEX A and B     0   1   0   5   1   48  1

Второй серийный номер:

Sr.No.  Project Name    Name    Proposed Date of Completion Number of Basement's    Number of Plinth    Number of Podium's  Number of Slab of Super Structure   Number of Stilts    Number of Open Parking  Number of Closed Parking
2   SRUSHTI COMPLEX C and D     0   1   0   5   1   51  1

Кадр данных df_one связан с Sr. No.1 в то время как df_two связан со старшим № 2

Я ожидаю добавить столбцы старшего № 1 и старшего № 2 в df_one и df_two соответственно.

Answer 1

Документация говорит, что вы должны ожидать некоторой ручной очистки после вызова pd.read_html().Я не уверен, как расширить этот код для ваших возможно разрозненных htmls.С учетом вышесказанного, достигает ли это того, чего вы хотите?

# Read df 
df_other=pd.read_html(url, header=0, match='Number of Plinth')

# To keep only the targeted columns; have a look at df_other -  it's cluttered.
targeted_columns = ['Sr.No.', 'Project Name', 'Name', 'Proposed Date of Completion',
       'Number of Basement\'s', 'Number of Plinth', 'Number of Podium\'s',
       'Number of Slab of Super Structure', 'Number of Stilts',
       'Number of Open Parking', 'Number of Closed Parking']

# 'Project Name'=='SRUSHTI COMPLEX' is an easy way to extract the two dataframes of interest. Also resetting index and dropping.
df_other = df_other[0].loc[df_other[0]['Project Name']=='SRUSHTI COMPLEX',targeted_columns].reset_index(drop=True)

# This is useful for the merge step later since the Sr.No. in df_one and df_two int
df_other['Sr.No.'] = df_other['Sr.No.'].astype(int)

# Extract the two rows as dataframes that correspond to each frame you mentioned
df_other_one = df_other.iloc[[0]]
df_other_two = df_other.iloc[[1]]

Как только это будет сделано, вы можете использовать merge для объединения фреймов данных

df_one_ = df_one.merge(df_other_one, on='Sr.No.')
print(df_one_)

     Sr.No. Apartment Type  Carpet Area (in Sqmts)  Number of Apartment  \
0       1          Shops                   70.63                    6   

   Number of Booked Apartment     Project Name     Name  \
0                           0  SRUSHTI COMPLEX  A and B   

  Proposed Date of Completion Number of Basement's Number of Plinth  \
0                         NaN                    0                1   

  Number of Podium's Number of Slab of Super Structure Number of Stilts  \
0                  0                                 5                1   

  Number of Open Parking Number of Closed Parking  
0                     48                        1 


df_two_ = df_two.merge(df_other_two, on='Sr.No.')
print(df_two_)


     Sr.No. Apartment Type  Carpet Area (in Sqmts)  Number of Apartment  \
0       2           1BHK                 1409.68                   43   

   Number of Booked Apartment     Project Name     Name  \
0                           4  SRUSHTI COMPLEX  C and D   

  Proposed Date of Completion Number of Basement's Number of Plinth  \
0                         NaN                    0                1   

  Number of Podium's Number of Slab of Super Structure Number of Stilts  \
0                  0                                 5                1   

  Number of Open Parking Number of Closed Parking  
0                     51                        1