Dados não compativéis com o original HTML

Oi, Paulo! Como você está?

Que ótima ideia você teve em investigar os dados climáticos da sua cidade! Vou me inspirar em você para analisar o clima da minha cidade, também :)

Essa diferença que você encontrou nos dados se deve ao fato de que o comando read_html do pandas interpreta todos os números como strings e ignora as vírgulas como separador decimal. É possível tratar os dados antes de transformá-los em dataframe para que os separadores possam ser mantidos. É super comum precisarmos de diferentes abordagens dependendo das peculiaridades dos dados com os quais estamos lidando.

Para isso, vamos importar outra biblioteca, a Beautiful Soup. Essa é uma biblioteca especializada em analisar dados de páginas HTML.

from bs4 import BeautifulSoup

Então, abra o código HTML da página que está salva em seu computador. Vamos colar o código inteiro em uma variável:

conteudo_html = """
Cole o código HTML aqui
"""

Agora, vamos percorrer o código, buscar a tabela e fazer as transformações necessárias:

# Parseando o HTML com BeautifulSoup
soup = BeautifulSoup(conteudo_html, 'html.parser')

# Encontrando a tabela desejada
table = soup.find('table')

# Convertendo a tabela HTML para DataFrame
df = pd.read_html(str(table), decimal=',', thousands='.', header=[0, 1], index_col=0)[0]

# Exibindo o DataFrame resultante
df

A partir desse dataframe resultante, você pode continuar a tratar e analisar os dados climáticos de Teresina. Espero que consiga bons insights!

Se tiver mais alguma dúvida, estou por aqui.

Abraços!

Oi, Paulo!

Ótimo questionamento! Sim, é possível usar parâmetros adicionais para manter o formato da tabela original!

Eu testei aqui a tabela com os dados de temperatura de Teresina, e foi possível ler da mesma forma que está no Wikipédia da seguinte forma:

dados_html = pd.read_html('https://pt.wikipedia.org/wiki/Teresina', thousands='.')[5]

O parâmetro thousands na função read_html é usado para especificar o caractere a ser usado como separador de milhares. O valor padrão é None, o que significa que nenhum separador de milhares é considerado.

Ao usar thousands='.', você está indicando que o ponto (.) é o separador de milhares. Isso é necessário porque, em alguns países, o ponto é usado como separador de milhares, enquanto em outros, a vírgula é utilizada.

Então, qando você não especifica thousands e há vírgulas nos números, a biblioteca pandas interpreta as vírgulas como separadores de milhares e as remove, deixando apenas os números inteiros. Ao especificar thousands='.', você está dizendo ao pandas para tratar o ponto como o separador de milhares e, portanto, as vírgulas nos números são preservadas.

Espero que isso te ajude!

Qualquer outra dúvida, não hesite em chamar!