Python Pandas pandas.DataFrame.to_html函数方法的使用

Pandas是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。本文主要介绍一下Pandas中pandas.DataFrame.to_html方法的使用。

DataFrame.to_html（buf = None，columns = None，col_space = None，header = True，index = True，na_rep ='NaN'，formatters = None，float_format = None，sparsify = None，index_names = True，justify = None，bold_rows = True，classes = None，escape = True，max_rows = None，max_cols = None，show_dimensions = False，notebook = False，decimal ='.'，border = None，table_id = None）源码

将DataFrame呈现为HTML表格。

to_html特定选项：
bold_rows ：布尔值，默认为True
在输出中将行标签加粗
classes ： str或list或tuple，默认为NoneCSS类应用于生成的html表
escape ：布尔值，默认为True
将字符<，>和＆进行escape编码
max_rows ： int，可选
显示的最大行数。如果为None，则显示全部。
max_cols ： int，可选
显示的最大列数。如果为None，则显示全部。
decimal ：字符串，默认为'.'
字符被识别为小数分隔符，例如欧洲的','
版本0.18.0中的新功能。
border ： int
border=border开头

标记中包含一个属性。默认pd.options.html.border。
版本0.19.0中的新功能。
table_id ： str，可选
如果指定，则css id包含在开始

标记中。
版本0.23.0中的新功能。

参数：

buf：类似StringIO，可选

缓冲区写入

columns：sequence，可选

要写的列的子集; 默认为 None写入所有列

col_space：int，可选

每列的最小宽度

header：bool，可选

是否打印列标签，默认为True

index：bool，可选

是否打印索引（行）标签，默认为True

na_rep：string，可选

要使用的NAN字符串表示，默认为'NaN'

formatters：单参数函数的列表或字典，可选

formatter函数按位置或名称应用于列的元素，默认为None。

每个函数的结果必须是一个unicode字符串。列表的长度必须等于列数。

float_format：单参数函数，可选

formatter函数，如果它们是浮点数，则应用于列的元素，默认为None。

此函数的结果必须是unicode字符串。

sparsify：bool，可选

对于具有分层索引的DataFrame，设置为False以在每行打印每个多索引键，

默认为True

index_names：bool，可选

打印索引的名称，默认为True

line_width：int，可选

用字符包裹一行的宽度，默认没有换行

table_id：str，可选

由to_html创建的

元素的id

版本0.23.0中的新功能。

justify：str，默认None。

如何证明列标签的合理性。如果None使用打印配置中的选项

（由set_option控制），

可以设置的值有是

left
right
center
justify
justify-all
start
end
inherit
match-parent
initial
unset

返回：	formatted：字符串（或`unicode`，取决于数据和选项）

例如，

import pandas as pdimport numpy as nppd.set_option('display.width', 1000)pd.set_option('colheader_justify', 'center')np.random.seed(6182018)demo_df = pd.DataFrame({'date': np.random.choice(pd.date_range('2018-01-01', '2018-06-18', freq='D'), 50),                        'analysis_tool': np.random.choice(['pandas', 'r', 'julia', 'sas', 'stata', 'spss'],50),                                      'database': np.random.choice(['postgres', 'mysql', 'sqlite', 'oracle', 'sql server', 'db2'],50),                         'os': np.random.choice(['windows 10', 'ubuntu', 'mac os', 'android', 'ios', 'windows 7', 'debian'],50),                         'num1': np.random.randn(50)*100,                        'num2': np.random.uniform(0,1,50),                                           'num3': np.random.randint(100, size=50),                        'bool': np.random.choice([True, False], 50)                       },                        columns=['date', 'analysis_tool', 'num1', 'database', 'num2', 'os', 'num3', 'bool']          )pd.set_option('colheader_justify', 'center')   # FOR TABLE

html_string = ''' HTML Pandas Dataframe with CSS {table} .'''# OUTPUT AN HTML FILEwith open('myhtml.html', 'w') as f: f.write(html_string.format(table=demo_df.to_html(classes='mystyle')))