如何清理pd.read_html返回的非嵌套表格列表并转为可读DataFrame？

1. 提取初始表格 #

首先读取网页表格并获取目标DataFrame：

import pandas as pd
url = "http://pitzavod.ru/products/upakovka/"
dfs = pd.read_html(url)
df = dfs[0]

2. 修复表头与清理冗余行 #

原表格的表头分为两行（索引0和1），合并表头并移除冗余行即可解决结构混乱问题：

# 合并列名，补充子表头信息
df.columns = [
    df.iloc[0, 0],
    f"{df.iloc[0, 1]} ({df.iloc[1, 0]})",
    df.iloc[0, 2]
]

# 删除前两行冗余的表头行，重置索引
df_cleaned = df.drop([0, 1]).reset_index(drop=True)

3. 最终效果 #

清理后的DataFrame结构清晰，可读性大幅提升：

可选优化：拆分多值列 #

如果需要将Марка целлюлозы (ОСН)列中的多个数值拆分，可以添加以下代码：

# 拆分多值为列表，或展开为独立列
df_cleaned["Марка целлюлозы (ОСН)"] = df_cleaned["Марка целлюлозы (ОСН)"].str.split()

# 可选：展开为多列
df_cleaned = df_cleaned.join(
    df_cleaned["Марка целлюлозы (ОСН)"].apply(pd.Series).rename(columns=lambda x: f"Значение_{x+1}")
)

内容的提问来源于stack exchange，提问作者Levdar Armenia