0

excelのファイルで
画像の説明をここに入力


https://www.leafkyoto.net/special/parfait/
https://tabelog.com/kyoto/A2601/A260503/26001772/

↑が記入されているセルが縦に連続しています

このように二種類のリンクが混合してる列があります。
この隣に後者のリンクだけを抽出した列を作りたいと思っています。
色々なサイトを巡っていますがpandasでのちょっとしたcsvの読み書きの書き方がどうしてもわからないのでご教授ください。
列名は所与でtabelogという名前で作っておいて、その列に変換したurlを順に入れていく、、、ということは可能ですか?

import csv
import pandas as pd
x = pd.read_csv('output.csv')
y = []
for z in x:
    y = x[x.find("https://tabelog.com"):]
df = df.append(y)
df.to_csv('output.csv', columns=['tabelog'])
print("finished")
5
  • 画像で貼られているので正確なところが分かりませんが、「混合してる列」の2つのURLが仮に改行で区切られているなら、改行を基準に分割すればいいだけのように思えます。
    – cubick
    Commented 2019年4月23日 7:07
  • 質問に「excelのファイルで」と書かれている表は、Excelのワークシートの表示画面で、質問のコードにある'output.csv'は表示画面のようなExcelをcsv形式で保存したものと理解して良いですか?
    – Fumu 7
    Commented 2019年4月23日 7:09
  • cubick様 分割自体はできてると思うのですが、出力ができません。。。
    – IHL
    Commented 2019年4月23日 7:44
  • Fumu 7様 その通りです!
    – IHL
    Commented 2019年4月23日 7:44
  • read_csvto_csvでファイル名が同じになっていますし(これだと元ファイルを上書きしてしまう?)、「分割はできてると思う」とのことですが、該当の記述が見当たらないように思います。
    – cubick
    Commented 2019年4月23日 8:17

2 件の回答 2

1
x = pd.read_csv('output.csv')

の次に、

print( x.shape )

を追加して、xが 横2列(縦はExcelに入っているデータの行数)のデータフレームになっているか確認してください。
質問にあるExcelの画面イメージではどこにもカンマ(,)が見当たらないので、read_csvで読み込むとxは横1列のデータフレームになっているのではないかと思います。
read_csvは区切り文字(デフォールトは",")で分割して読み込むのですが、区切り文字がなければ区切られないまま(一続きで)1列のデータフレームになるはずです。

一つのセルに書かれた2つのリンクが何で区切られているのか画面では判断できないのですが、改行文字(LF("\n" : 文字コード:0x0A))で区切られているのだとすれば、

x = pd.read_csv('output.csv',sep="\n")

とすると、xが横2列のデータフレームになり、2列目には後ろ側(tabelog.comを含むほう)のリンクが入るはずです。

==
質問の下記のコードは、'tabelog'という列名がついた列のデータだけを書きだすように指定されています。

df.to_csv('output.csv', columns=['tabelog'])

ところが、質問に書かれたexcelのファイルは、1行目(列名のリストが書かれているはずの位置)に'tabelog'という列名が有るように見えません。Excelファイルの1行目に'tabelog'という列名が無ければ、read_csvで読み込んだデータフレームにも'tabelog'という列名はありません。
「分割自体はできてると思うのですが、出力ができません。」というのは、「読み込んだCSVファイルに'tabelog'という列名が無いので、'tabelog'という列名を指定したら出力するものが無かったです」という事ではないでしょうか。

==
<改善案>
1)
 Excelファイル(csvファイル)の1行目に
「'mae'
'tabelog'」
のように、リンクを区切っているのと同じ文字列で区切った列名を書く。

2)

x = pd.read_csv('output.csv',sep="\n")

のように、正しい区切り文字を指定して、Excelファイル(csvファイル)を読み込む。

ーー余計な一言ーー
"Excelファイル”というと、.xlsとか.xlsxとかの拡張子が付いたファイルが想像されます。
CSVファイルはテキストファイルの一種なので、CSVファイルをExcelファイルと呼ぶのは避けたほうが良いと思います(誤解を生みかねないので)

0

確認してみましたところ、質問にあるような1つのセルに複数行の文字列が書かれEXCELシートをCSVとして吐き出すと

"https://www.leafkyoto.net/special/parfait/
https://tabelog.com/kyoto/A2601/A260503/26001772/"
"https://www.leafkyoto.net/special/parfait/
https://tabelog.com/kyoto/A2601/A260503/26018731/"
"https://www.leafkyoto.net/special/parfait/
https://tabelog.com/kyoto/A2601/A260202/26032128/"

のようなCSVファイル出力されているようです。
ですので、その列に対して

df['URL'].apply(lambda s: pd.Series(s.split()))

のように Series.apply() を行い、その中で str.split() した結果を Series化 することで、各URLを行に展開できるかと思います。

以下は動作サンプルとなります(HEADER行がある前提です)

import pandas as pd
import io

data = """
URL
"https://www.leafkyoto.net/special/parfait/
https://tabelog.com/kyoto/A2601/A260503/26001772/"
"https://www.leafkyoto.net/special/parfait/
https://tabelog.com/kyoto/A2601/A260503/26018731/"
"https://www.leafkyoto.net/special/parfait/
https://tabelog.com/kyoto/A2601/A260202/26032128/"
"""

df = pd.read_csv(io.StringIO(data))
new_df = df['URL'].apply(lambda s: pd.Series(s.split()))
#                                            0                                                  1
#0  https://www.leafkyoto.net/special/parfait/  https://tabelog.com/kyoto/A2601/A260503/26001772/
#1  https://www.leafkyoto.net/special/parfait/  https://tabelog.com/kyoto/A2601/A260503/26018731/
#2  https://www.leafkyoto.net/special/parfait/  https://tabelog.com/kyoto/A2601/A260202/26032128/

あとは必用に応じてカラム名を変えたり、2つ目の列のみを抜き出したり、元のDataFrameと結合したりすると良いでしょう。

この質問に回答するには、ログインする必要があります。

求めていた回答ではありませんか? のタグが付いた他の質問を参照する。