从下载的 html 文件中提取的数据框包含以空格分隔的浮点数；如何清洁？

Question

这是的后续，我从 CDS 下载了一个文件，并使用以下脚本 rvest 进行了提取：

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，其中包含两个由 space 分隔的浮点数（代表测量值及其误差）。理想情况下，我想将这两个浮点数分开并将错误放在它们自己的列中，但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

变成

Bmag       | Vmag | rmag
21.6219    | 24.0 | 23.3316

我想有一些方法可以使用 Python 来做到这一点。有人可以帮忙吗？

Answer 1

您可以在编写 CSV 之前使用 tidyr::separate。可能有一个聪明的功能可以同时应用于多个列，但这里有一种方法对感兴趣的 3 列使用 3 个分隔符。

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

从下载的 html 文件中提取的数据框包含以空格分隔的浮点数；如何清洁？

Dataframe extracted from downloaded html file contains floats separated by spaces; how to clean?

python

r

dataframe

data-cleaning

rvest