質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

87.37%

スポーツ選手のデータをPythonでスクレイピング

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 1,080

score 7

ウェブサイト上のプロ野球選手の情報をスクレイピングしていて2つの壁にぶち当たっています。

(1) ②で生成した「年(year)」を③で作ったデータフレームの中にカラムとして入れるには?
yearを使って生成したurlは③で追加出来たのですが、②で作ったyearを入れることが出来ません。
URLをスライスして取るわけではなく、②で使っているyearの変数をそのまま③でも入れることは可能ですか?

(2) カラム名の入った行を入れないためには?
なぜか、生成したデータにカラム名の入った行が2つ入ってきます。
試行錯誤してみたのですが、どの段階で入り込んでいるのかがよくわかりません。
イメージ説明

import numpy
import pandas as pd
import matplotlib.pylab as plt
import csv
import pprint


#①urlをリスト形式で取得
df_all = []
years = range(19,8,-1)
urls = []

#②URLを生成
for year in years:
    if(year==19):
        urls.append('http://baseball-data.com/stats/pitcher-all/era-1.html')
    else:
        urls.append('http://baseball-data.com/'+ "{0:02d}".format(year)+'/stats/pitcher-all/era-1.html')

#③データをURLから取得
for url in urls:
    print('取得URL:'+url)
    df = pd.read_html(url, index_col=None, skiprows=0, header=0)[0]
    df['url'] = url
    df_all.append(df)

#④選手IDの作成
name_list = []
dic = {}
for i in range(len(df_all)):
    name_list.extend(df_all[i]['選手名'])
name_list = list(set(name_list))
for i,name in enumerate(name_list):
    dic[name] = i

#⑤選手IDの付与
for i in range(len(df_all)):
    df_all[i]['ID'] = -1
    for j in range(len(df_all[i])):
        df_all[i].loc[j,'ID'] = dic[df_all[i].loc[j,'選手名']]
    df_all[i].index = df_all[i]['ID']
    df_all[i] = df_all[i].drop('ID',axis=1)

#⑥index被りを除去
for i in range(len(df_all)):
    doubled_index = []
    count = df_all[i].index.value_counts()
    for j in count.index:
        if(count.loc[j]>1):
            doubled_index.append(j)
    df_all[i] = df_all[i].drop(doubled_index)

#⑦df化
output = pd.concat(df_all,axis=0)
output
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

checkベストアンサー

0

(1) ②で生成した「年(year)」を③で作ったデータフレームの中にカラムとして入れるには?

url列を追加している方法と全く同じ方法でよいのではないでしょうか

#③データをURLから取得
for url, year in zip(urls, years): #<- yearsも一緒にループを回す
    print('取得URL:'+url)
    df = pd.read_html(url, index_col=None, skiprows=0, header=0)[0]
    df['url'] = url
    df['year'] = year # <- 追加
    df_all.append(df)

(2) カラム名の入った行を入れないためには?

作成されたデータを見る限り、ヘッダ行は一行に収まっております。

2行あるように見えるのは Indexに設定されている列に(ID)という名前が設定されている為、その名前が2行目に表示されている為かと思います。

ということであまり気にする必要は無いかと思います。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 87.37%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る