Deztaca - Academia online para destacar en tu trabajo

Temario del curso

Anterior Siguiente

Lección 35 de 43 · Módulo 8

Creación de DataFrames

▶️ Video · 24 min 📊 Módulo 8

Tus notas de esta clase

Inicia sesión y accede al contenido para usar marcadores en este curso.

Inicia sesión y accede al contenido para ver los anuncios de esta lección.

Participaciones 10 comentarios

Inicia sesión para dejar tu duda, comentario y/o respuesta

Iniciar sesión Inscribirme

Elena-G hace 4 días

Problema en la carga web resuelta!

Hola lindo día,
Veo que muchos tuvimos detalles con la carga de la página web.
Me permito compartir. Copié el código que compartió la maestra Julia en el comentario de respuesta a esandovalh180869.
Al correrlo me marcó error, pero era error de identación.
al corregir el identado ya funcionó.
Comparto screenshoot.

Gracias por todos sus comentarios. Ayudan mucho a encontrar respuestas y orientación en el camino.
Seguimos aprendiendo.❤

JuliaBravo490 Equipo Deztaca hace 4 días

Qué bueno leer tu comentario, Elena.
Anima a quienes no son del mundo de la programación a saber que esto no es una caja negra, solo para los de TI.
La programación ayuda a desarrollar el pensamiento lógico y es bueno para cualquier profesional en la era de los datos.

Un abrazo, Elena.

Elena-G hace 4 días

Hola, lindo día,
Excelente experiencia regresar por aquí al aprendizaje.
Voy muy contenta con lo aprendido y les comento, este curso me daba miedo, pensé que me costaría mucho entenderlo, pero, por ahora todo en orden. 😊

Les comento, estoy estudiando en Jupiter en casa y en colab en la oficina, por que no tengo manera de instalar programas en la oficina con la misma libertad. 😄
Entonces, mientras estudio este capítulo, pude ver que no me reconocía el archivo al importar el csv.
Me marcaba este error...

Me puse a buscar la manera de cargarlo para poder seguir el ejercicio, y encontré la manera subiendo el archivo en la barra de la izquierda, en el menú de archivos, y luego copiando la ruta desde ese mismo archivo.

Listo, carga resuelta y puedo continuar...

Gracias equipo Deztaca, gracias profesor Mike por este excelente curso.

Seguimos aprendiendo...

JuliaBravo490 Equipo Deztaca hace 4 días

Gracias, Elena.
Este comentario sin duda ayudará mucho a quienes puedan tener el mismo inconveniente.
Gracias por tomarte el tiempo de compartirlo.
Saludos,
Julia - Equipo Deztaca

feristoteles hace 1 mes

Buenas noches,

Aún después de cambiar el código por el sugerido en respuesta al comentario anterior del compañero esandovalh..., no me ha sido posible importar el contenido de Wikipedia. Hice la misma prueba tanto en Jupyter Notebook como en Visual Studio Code. Lo que se obtiene es una enorme cantidad de texto html, pero precedida por descripciones de error. Adjunto la salida.

Archivos adjuntos

salida-Wikipedia-id670xU1Bs.pdf

Cualquier estudiante puede subir estos archivos. Descárgalos y úsalos bajo tu propio riesgo.

JuliaBravo490 Equipo Deztaca hace 1 mes

Hola, Fernando. Te comparto respuesta:

El problema fue que la URL codificada no funcionó bien en ese intento:
https://es.wikipedia.org/wiki/Poblaci%C3%B3n_mundial

Por eso es mejor probar con la URL normal, escrita con la tilde:
https://es.wikipedia.org/wiki/Población_mundial

Además, pd.read_html(url) a veces falla cuando intenta leer directamente una página de internet. Para evitar eso, primero descargamos la página con requests y después le pasamos el HTML a Pandas usando StringIO.

requests sirve para descargar el contenido de una página web desde Python.
StringIO sirve para convertir un texto en algo parecido a un archivo en memoria.

En este caso, requests descarga el HTML de Wikipedia y StringIO convierte ese HTML en un formato que pandas puede leer con read_html().

Prueba este código:
import pandas as pd
import requests
from io import StringIO

url = "https://es.wikipedia.org/wiki/Población_mundial"

headers = {
"User-Agent": "Mozilla/5.0"
}

respuesta = requests.get(url, headers=headers)

print(respuesta.status_code)
print(respuesta.url)
print(respuesta.text[:300])

tablas = pd.read_html(StringIO(respuesta.text))

print(len(tablas))

Si imprime 200, significa que la página cargó bien.
Si imprime la URL correcta de Wikipedia, significa que entró a la página que queríamos.
Si al final imprime 22, significa que Pandas encontró 22 tablas y ya funcionó correctamente.

Saludos,
Julia - Equipo Deztaca

feristoteles hace 1 mes

Buenas noches
Al intentar importar el archivo Excel, se presentó un error. Por si a alguien más le pasa, la solución fue instalar previamente la librería "openpyxl".

JuliaBravo490 Equipo Deztaca hace 1 mes

Gracias, Fernando por el aporte.

esandovalh180869 hace 6 meses

Buena tarde, yo no pude realizar la importación de las tablas de Wikipedia, el código de error que recibí está debajo. ¿Alguna sugerencia para arreglar el error, por favor?

---------------------------------------------------------------------------
HTTPError                                 Traceback (most recent call last)
Cell In[25], line 1
----> 1 df_web = pd.read_html("https://es.wikipedia.org/wiki/Poblaci%C3%B3n_mundial")
      2 df_web

File ~\anaconda3\Lib\site-packages\pandas\io\html.py:1240, in read_html(io, match, flavor, header, index_col, skiprows, attrs, parse_dates, thousands, encoding, decimal, converters, na_values, keep_default_na, displayed_only, extract_links, dtype_backend, storage_options)
   1224 if isinstance(io, str) and not any(
   1225     [
   1226         is_file_like(io),
   (...)
   1230     ]
   1231 ):
   1232     warnings.warn(
   1233         "Passing literal html to 'read_html' is deprecated and "
   1234         "will be removed in a future version. To read from a "
   (...)
   1237         stacklevel=find_stack_level(),
   1238     )
-> 1240 return _parse(
   1241     flavor=flavor,
   1242     io=io,
   1243     match=match,
   1244     header=header,
   1245     index_col=index_col,
   1246     skiprows=skiprows,
   1247     parse_dates=parse_dates,
   1248     thousands=thousands,
   1249     attrs=attrs,
   1250     encoding=encoding,
   1251     decimal=decimal,
   1252     converters=converters,
   1253     na_values=na_values,
   1254     keep_default_na=keep_default_na,
   1255     displayed_only=displayed_only,
   1256     extract_links=extract_links,
   1257     dtype_backend=dtype_backend,
   1258     storage_options=storage_options,
   1259 )

File ~\anaconda3\Lib\site-packages\pandas\io\html.py:983, in _parse(flavor, io, match, attrs, encoding, displayed_only, extract_links, storage_options, **kwargs)
    972 p = parser(
    973     io,
    974     compiled_match,
   (...)
    979     storage_options,
    980 )
    982 try:
--> 983     tables = p.parse_tables()
    984 except ValueError as caught:
    985     # if `io` is an io-like object, check if it's seekable
    986     # and try to rewind it before trying the next parser
    987     if hasattr(io, "seekable") and io.seekable():

File ~\anaconda3\Lib\site-packages\pandas\io\html.py:249, in _HtmlFrameParser.parse_tables(self)
    241 def parse_tables(self):
    242     """
    243     Parse and return all tables from the DOM.
    244 
   (...)
    247     list of parsed (header, body, footer) tuples from tables.
    248     """
--> 249     tables = self._parse_tables(self._build_doc(), self.match, self.attrs)
    250     return (self._parse_thead_tbody_tfoot(table) for table in tables)

File ~\anaconda3\Lib\site-packages\pandas\io\html.py:806, in _LxmlFrameParser._build_doc(self)
    804             pass
    805     else:
--> 806         raise e
    807 else:
    808     if not hasattr(r, "text_content"):

File ~\anaconda3\Lib\site-packages\pandas\io\html.py:785, in _LxmlFrameParser._build_doc(self)
    783 try:
    784     if is_url(self.io):
--> 785         with get_handle(
    786             self.io, "r", storage_options=self.storage_options
    787         ) as f:
    788             r = parse(f.handle, parser=parser)
    789     else:
    790         # try to parse the input in the simplest way

File ~\anaconda3\Lib\site-packages\pandas\io\common.py:728, in get_handle(path_or_buf, mode, encoding, compression, memory_map, is_text, errors, storage_options)
    725     codecs.lookup_error(errors)
    727 # open URLs
--> 728 ioargs = _get_filepath_or_buffer(
    729     path_or_buf,
    730     encoding=encoding,
    731     compression=compression,
    732     mode=mode,
    733     storage_options=storage_options,
    734 )
    736 handle = ioargs.filepath_or_buffer
    737 handles: list[BaseBuffer]

File ~\anaconda3\Lib\site-packages\pandas\io\common.py:384, in _get_filepath_or_buffer(filepath_or_buffer, encoding, compression, mode, storage_options)
    382 # assuming storage_options is to be interpreted as headers
    383 req_info = urllib.request.Request(filepath_or_buffer, headers=storage_options)
--> 384 with urlopen(req_info) as req:
    385     content_encoding = req.headers.get("Content-Encoding", None)
    386     if content_encoding == "gzip":
    387         # Override compression based on Content-Encoding header

File ~\anaconda3\Lib\site-packages\pandas\io\common.py:289, in urlopen(*args, **kwargs)
    283 """
    284 Lazy-import wrapper for stdlib urlopen, as that imports a big chunk of
    285 the stdlib.
    286 """
    287 import urllib.request
--> 289 return urllib.request.urlopen(*args, **kwargs)

File ~\anaconda3\Lib\urllib\request.py:189, in urlopen(url, data, timeout, context)
    187 else:
    188     opener = _opener
--> 189 return opener.open(url, data, timeout)

File ~\anaconda3\Lib\urllib\request.py:495, in OpenerDirector.open(self, fullurl, data, timeout)
    493 for processor in self.process_response.get(protocol, []):
    494     meth = getattr(processor, meth_name)
--> 495     response = meth(req, response)
    497 return response

File ~\anaconda3\Lib\urllib\request.py:604, in HTTPErrorProcessor.http_response(self, request, response)
    601 # According to RFC 2616, "2xx" code indicates that the client's
    602 # request was successfully received, understood, and accepted.
    603 if not (200 <= code < 300):
--> 604     response = self.parent.error(
    605         'http', request, response, code, msg, hdrs)
    607 return response

File ~\anaconda3\Lib\urllib\request.py:533, in OpenerDirector.error(self, proto, *args)
    531 if http_err:
    532     args = (dict, 'default', 'http_error_default') + orig_args
--> 533     return self._call_chain(*args)

File ~\anaconda3\Lib\urllib\request.py:466, in OpenerDirector._call_chain(self, chain, kind, meth_name, *args)
    464 for handler in handlers:
    465     func = getattr(handler, meth_name)
--> 466     result = func(*args)
    467     if result is not None:
    468         return result

File ~\anaconda3\Lib\urllib\request.py:613, in HTTPDefaultErrorHandler.http_error_default(self, req, fp, code, msg, hdrs)
    612 def http_error_default(self, req, fp, code, msg, hdrs):
--> 613     raise HTTPError(req.full_url, code, msg, hdrs, fp)

HTTPError: HTTP Error 403: Forbidden

JuliaBravo490 Equipo Deztaca hace 6 meses

Hola, Raimundo.
Te comparto la respuesta del profesor del curso:

"Ese error suele aparecer porque Wikipedia a veces bloquea el acceso automático cuando detecta muchas solicitudes o una conexión “sin navegador”.

Por favor prueba este código:

import pandas as pd
import requests

url = "https://es.wikipedia.org/wiki/Poblaci%C3%B3n_mundial"
headers = {

"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0 Safari/537.36",

"Accept-Language": "es-ES,es;q=0.9"
}
r = requests.get(url, headers=headers, timeout=30)
r.raise_for_status()
df_web = pd.read_html(r.text)
df_web

Por favor nos dejas saber si con ello puedes ejecutarlo.

Saludos,
Equipo Deztaca