Python 将每个项与行中最后一个非空值配对
我正在尝试做一个函数,在这里我向它提供一个URL列表,这些URL经过301跃点,它为我将其展平。我想将结果列表保存为CSV,这样我就可以将它交给开发人员,他们可以实现它并消除301跳 例如,我的爬虫程序将生成301个跃点的列表:Python 将每个项与行中最后一个非空值配对,python,pandas,dataframe,melt,Python,Pandas,Dataframe,Melt,我正在尝试做一个函数,在这里我向它提供一个URL列表,这些URL经过301跃点,它为我将其展平。我想将结果列表保存为CSV,这样我就可以将它交给开发人员,他们可以实现它并消除301跳 例如,我的爬虫程序将生成301个跃点的列表: URL1 | URL2 | URL3 | URL4 example.com/url1 | example.com/url2 | | example.c
URL1 | URL2 | URL3 | URL4
example.com/url1 | example.com/url2 | |
example.com/url3 | example.com/url4 | example.com/url5 |
example.com/url6 | example.com/url7 | example.com/url8 | example.com/10
example.com/url9 | example.com/url7 | example.com/url8 |
example.com/url23 | example.com/url10 | |
example.com/url24 | example.com/url45 | example.com/url46 |
example.com/url25 | example.com/url45 | example.com/url46 |
example.com/url26 | example.com/url45 | example.com/url46 |
example.com/url27 | example.com/url45 | example.com/url46 |
example.com/url28 | example.com/url45 | example.com/url46 |
example.com/url29 | example.com/url45 | example.com/url46 |
example.com/url30 | example.com/url45 | example.com/url46 |
我想得到的结果是
URL1 | URL2
example.com/url1 | example.com/url2
example.com/url3 | example.com/url5
example.com/url4 | example.com/url5
example.com/url6 | example.com/10
example.com/url7 | example.com/10
example.com/url8 | example.com/10
example.com/url23 | example.com/url10
...
我已使用以下代码将Pandas数据框转换为列表列表:
import pandas as pd
import numpy as np
csv1 = pd.read_csv('Example_301_sheet.csv', header=None)
outlist = []
def link_flat(csv):
for row in csv.iterrows():
index, data = row
outlist.append(data.tolist())
return outlist
这会将每一行作为列表返回,并且它们都嵌套在一个列表中,如下所示:
[['example.com/url1', 'example.com/url2', nan, nan],
['example.com/url3', 'example.com/url4', 'example.com/url5', nan],
['example.com/url6',
'example.com/url7',
'example.com/url8',
'example.com/10'],
['example.com/url9', 'example.com/url7', 'example.com/url8', nan],
['example.com/url23', 'example.com/url10', nan, nan],
['example.com/url24', 'example.com/url45', 'example.com/url46', nan],
['example.com/url25', 'example.com/url45', 'example.com/url46', nan],
['example.com/url26', 'example.com/url45', 'example.com/url46', nan],
['example.com/url27', 'example.com/url45', 'example.com/url46', nan],
['example.com/url28', 'example.com/url45', 'example.com/url46', nan],
['example.com/url29', 'example.com/url45', 'example.com/url46', nan],
['example.com/url30', 'example.com/url45', 'example.com/url46', nan]]
如何将每个嵌套列表中的每个URL与同一列表中的最后一个URL进行匹配以生成上述列表?您需要使用
groupby
+last
确定每行的最后一个有效项,然后使用melt
重塑数据框并构建两列映射
df.columns = range(len(df.columns))
df = (
df.assign(URL2=df.stack().groupby(level=0).last())
.melt('URL2', value_name='URL1')
.drop('variable', 1)
.dropna()
.drop_duplicates()
.query('URL1 != URL2')
.sort_index(axis=1)
.reset_index(drop=True)
)
介意再解释一下你是如何得到这个输出的吗?什么是跃点?跃点是指URL被重定向到自身重定向的URL。在上面的列表中,如果用户或爬虫程序单击第一个链接,它们将被重定向到该行中的所有URL,直到到达在200中解析的列中的最后一个URL。这里的目的是“展平”重定向,因此,如果用户单击某个URL,它会直接重定向到第三行的200 URL,不是应该是
example.com/url6->example.com/10
?第三行应该是example.com/url4->/example.comurl5
,因为我还需要包含不跳跃的URL以避免混淆。此外,我认为将这些内容包括在报告中会更容易。不管输出CSV中是否有重复项,或者是否包含现有的301sAhhhh,我最终得到了它。谢谢,太好了!非常感谢。
df
URL1 URL2
0 example.com/url1 example.com/url2
1 example.com/url3 example.com/url5
2 example.com/url6 example.com/10
3 example.com/url9 example.com/url8
4 example.com/url23 example.com/url10
5 example.com/url24 example.com/url46
6 example.com/url25 example.com/url46
7 example.com/url26 example.com/url46
8 example.com/url27 example.com/url46
9 example.com/url28 example.com/url46
10 example.com/url29 example.com/url46
11 example.com/url30 example.com/url46
12 example.com/url4 example.com/url5
13 example.com/url7 example.com/10
14 example.com/url7 example.com/url8
15 example.com/url45 example.com/url46
16 example.com/url8 example.com/10