NamedTuple到数据帧

Question

我正在努力从youtube频道检索元数据和它的视频。

一切都很顺利，但目前我正在努力将所有信息放入我需要的dataframe中。下面是我从这个github https://gist.github.com/andkamau/0d4e312c97f41a975440a05fd76b1d29中使用的以下代码

import urllib.request
import json
from bs4 import BeautifulSoup
from collections import namedtuple
import pafy
from pandas import *
import pandas as pd

df = pd.DataFrame() 
Video = namedtuple("Video", "video_id title duration views thumbnail Description")

def parse_video_div(div):
    video_id = div.get("data-context-item-id", "")
    title = div.find("a", "yt-uix-tile-link").text
    duration = div.find("span", "video-time").contents[0].text
    views = str(div.find("ul", "yt-lockup-meta-info").contents[0].text.rstrip(" views").replace(",", ""))
    img = div.find("img")
    videoDescription = pafy.new("https://www.youtube.com/watch?v="+video_id)
    thumbnail = "http:" + img.get("src", "") if img else ""
    Description = videoDescription.description
    l = Video(video_id, title, duration, views, thumbnail, Description)
     
     # storing in the dataframe
     
    df = pd.DataFrame(list(Video(video_id, title, duration, views, thumbnail, Description)))
    return Video(video_id, title, duration, views, thumbnail, Description)

def parse_videos_page(page):
    video_divs = page.find_all("div", "yt-lockup-video")
    return [parse_video_div(div) for div in video_divs]

def find_load_more_url(page):
    for button in page.find_all("button"):
        url = button.get("data-uix-load-more-href")
        if url:
            return "http://www.youtube.com" + url

def download_page(url):
    print("Downloading {0}".format(url))
    return urllib.request.urlopen(url).read()

def get_videos(username):
    page_url = "http://www.youtube.com/channel/{0}/videos".format(username)
    page = BeautifulSoup(download_page(page_url))
    videos = parse_videos_page(page)
    page_url = find_load_more_url(page)
    while page_url:
        json_data = json.loads(str(download_page(page_url).decode("utf-8")))
        page = BeautifulSoup(json_data.get("content_html", ""))
        videos.extend(parse_videos_page(page))
        page_url = find_load_more_url(BeautifulSoup(json_data.get("load_more_widget_html", "")))
    return videos

if __name__ == "__main__":
    videos = get_videos("UC-M9eLhclbe16sDaxLzc0ng")
    for video in videos:
        print(video)
    print("{0} videos".format(len(videos)))

函数parse_video_div(div)包含所有信息和我的dataframe。但不幸的是，dataframe不会返回任何内容。也许我需要以某种方式循环namedtuple。

关于如何实现dataframe来查看数据，有什么线索吗？

Answer 1

pd.DataFrame与namedtuple完美地结合在一起，实际上构造了列。

示例数据：

In [21]: Video = namedtuple("Video", "video_id title duration views thumbnail De
    ...: scription")
In [22]: In [20]: pd.DataFrame(data=[Video(1, 'Vid Title', 5, 10, 'Thumb',' Des'
    ...: )])
Out[22]: 
   video_id      title  duration  views thumbnail Description
0         1  Vid Title         5     10     Thumb         Des

既然您的函数实际上并没有返回df，并且没有在代码中的其他任何地方使用它，那么您如何确定它是空的呢？

更新

您只需编辑parse_video_div的返回值以返回一个pd.DataFrame，并在get_videos函数中将该列表连接到一个pd.DataFrame中。

以下是突出显示的编辑。

def parse_video_div(div):


    #####
    return pd.DataFrame(data=[Video(video_id, title, duration, views, thumbnail, Description)])
    # shorter version
    # return pd.DataFrame(data=[l])

def get_videos(username):
    ####
    videos_df = pd.concat(videos, ignore_index=True)
    return videos_df # return the DataFrame

最后你需要一个concantenation函数。在parse_page_div中，您可以返回任何pd.DataFrame输入，可以是dict、pd.Series、namedtuple，甚至可以是列表。在本例中，我选择了pd.DataFrame来简化操作，但是，就性能而言，它可以增加几毫秒的处理时间。