如何用pandas.read_html正确读取GitHub上分号分隔的winequality-white.csv？

问题原因 #

GitHub展示CSV文件的页面中，每一行CSV内容是以单个单元格的形式嵌入在HTML表格里的，而非按列拆分。你之前用的thousands=";"参数是用于处理千位分隔符的，和字段分隔无关，因此无法正确解析分号分隔的数据。

修正方案 #

读取HTML表格后，手动拆分单元格内的分号分隔字符串，重新构造正确的DataFrame：

完整代码 #

import pandas as pd

# 读取GitHub页面的原始表格
df_raw = pd.read_html(
    "https://github.com/shrikant-temburwar/Wine-Quality-Dataset/blob/master/winequality-white.csv",
    header=0
)[0]

# 1. 提取并处理表头：移除引号，按分号拆分
header_raw = df_raw.columns[1].replace('"', '')
columns = header_raw.split(';')

# 2. 提取数据列，按分号拆分每行内容
data_series = df_raw.iloc[:, 1].dropna()  # 丢弃空行
wine_df = data_series.str.split(';', expand=True)

# 3. 设置表头并转换数据类型
wine_df.columns = columns
wine_df = wine_df.apply(pd.to_numeric, errors='coerce')

# 查看处理后的数据
print(wine_df.head())

代码解释 #

• 读取HTML表格时无需设置thousands参数，该参数不适用当前场景。
• 原始表格的第二列（索引1）包含所有CSV行数据，通过str.split(';', expand=True)将每行拆分为多列。
• 最后用pd.to_numeric将所有列转换为数值类型，保证后续分析可用。

内容的提问来源于stack exchange，提问作者dato datuashvili