Панды читают XML-файл с назначенным типом данных

Определите dtype столбцов в pandas: (NaN будет читаться как класс «NoneType», но вы можете использовать astype() позже.

import pandas as pd
from io import StringIO

xml_  = """\
<root>
<Data>
 <colA>abc</colA>
 <colB>168E3</colB>
</Data>
<Data>
 <colA>def</colA>
</Data>
</root>"""

file = StringIO(xml_)

df = pd.read_xml(file, xpath = ".//Data", dtype = {'colA': str, 'colB': str})
print(df.astype(str).applymap(type))

Выход:

            colA           colB
0  <class 'str'>  <class 'str'>
1  <class 'str'>  <class 'str'>

Применение простого преобразования xslt для принудительного ввода строкового типа для каждого значения может сработать (у меня нет pandas 1.3.2 для тестирования, но работает на pandas 2.x). Кажется невозможным получить канонический ответ, учитывая ограничение версии. Альтернативой может быть анализ XML-документа с помощью lxml и заполнение кадра данных вручную.

Преобразование объединяет нечисловой символ, который позже удаляется.

XSLT

<xsl:stylesheet version = "1.0" xmlns:xsl = "http://www.w3.org/1999/XSL/Transform">
    <xsl:template match = "node()">
        <xsl:copy>
            <xsl:apply-templates select = "node()"/>
            <xsl:value-of select = "'|'"/>
        </xsl:copy>
    </xsl:template>
</xsl:stylesheet>

Питон

import pandas as pd
from io import StringIO

xml_  = """\
<root>
<Data>
 <colA>abc</colA>
 <colB>168E3</colB>
</Data>
<Data>
 <colA>def</colA>
</Data>
</root>"""

file = StringIO(xml_)

df = pd.read_xml(xml_, stylesheet = "/home/lmc/tmp/test.xslt" )
print(df.apply(lambda x: x.str[:-1]))

Результат

  colA   colB
0  abc  168E3
1  def   None

Исходный результат

   colA    colB
0  abc|  168E3|
1  def|    None

Если вы можете установить другие библиотеки, вы можете прочитать XML-файл как dict с помощью xmltodict, а затем использовать его для создания кадра данных pandas.

import gzip
import xmltodict
import pandas as pd

def read_xml_as_dict(gzip_path):
    with gzip.open(gzip_path, "r") as f:
        xml = f.read()
    return xmltodict.parse(xml)

data = read_xml_as_dict(PATH)
df = pd.DataFrame(data["root"]["Data"])

Если вы не можете установить xmltodict, вы можете разобрать его с помощью xml.etree.ElementTree аналогичным образом:

import gzip
import xml.etree.ElementTree as ET
import pandas as pd

def read_xml_as_dict(gzip_path):
    with gzip.open(gzip_path, "r") as f:
        xml = f.read()

    root = ET.fromstring(xml)
    data_list = []

    for item in root.findall("Data"):
        data_dict = {}
        for child in item:
            data_dict[child.tag] = child.text
        data_list.append(data_dict)

    return data_list

data = read_xml_as_dict(PATH)
df = pd.DataFrame(data)

Оба будут печатать:

  colA   colB
0  abc  168E3
1  def    NaN

Столбцы будут иметь dtype object:

df.info()

 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   colA    2 non-null      object
 1   colB    1 non-null      object