Форматирование значений

Объект Styler различает отображаемое и фактическое значения как в данных, так и в заголовках индекса или столбцов. Чтобы управлять отображаемым значением, текст в каждой ячейке выводится в виде строки, а для его изменения в соответствии со строкой спецификации формата или вызываемым объектом, который принимает одно значение и возвращает строку, можно использовать методы .format() и .format_index(). Настройку можно задать для всей таблицы, индекса, отдельных столбцов или уровней MultiIndex. Также можно переопределить имена индекса.

Кроме того, функция форматирования имеет аргумент precision, предназначенный для форматирования чисел с плавающей точкой, а также аргументы decimal и thousands для указания разделителей с учётом других локалей, аргумент na_rep для отображения пропущенных данных и аргументы escape и hyperlinks, помогающие отображать безопасный HTML или LaTeX. Форматтер по умолчанию настроен на использование глобальных параметров pandas, таких как параметр styler.format.precision, который можно контролировать с помощью with pd.option_context('format.precision', 2):

[2]:

import pandas as pd
import numpy as np
import matplotlib as mpl

df = pd.DataFrame({
    "strings": ["Adam", "Mike"],
    "ints": [1, 3],
    "floats": [1.123, 1000.23]
})
df.style \
  .format(precision=3, thousands=".", decimal=",") \
  .format_index(str.upper, axis=1) \
  .relabel_index(["row 1", "row 2"], axis=0)

[2]:

Использование Styler для изменения отображения полезно тем, что сохранение индексов и значений данных для других целей даёт больше контроля. Не нужно переопределять DataFrame, чтобы отобразить его нужным образом. Ниже приведён более подробный пример использования функций форматирования с сохранением исходных данных для индексации и вычислений.

[3]:

weather_df = pd.DataFrame(np.random.rand(10,2)*5,
                          index=pd.date_range(start="2021-01-01", periods=10),
                          columns=["Tokyo", "Beijing"])

def rain_condition(v):
    if v < 1.75:
        return "Dry"
    elif v < 2.75:
        return "Rain"
    return "Heavy Rain"

def make_pretty(styler):
    styler.set_caption("Weather Conditions")
    styler.format(rain_condition)
    styler.format_index(lambda v: v.strftime("%A"))
    styler.background_gradient(axis=None, vmin=1, vmax=5, cmap="YlGnBu")
    return styler

weather_df

[3]:

[4]:

weather_df.loc["2021-01-04":"2021-01-08"].style.pipe(make_pretty)

[4]:

Скрытие данных

Можно полностью скрыть заголовки индекса и столбцов, а также выбрать строки или столбцы, которые нужно исключить. Для обоих вариантов используются одни и те же методы.

Индекс можно скрыть при отображении, вызвав .hide() без аргументов; это может быть полезно, если индекс состоит из целых чисел. Аналогичным образом заголовки столбцов можно скрыть, вызвав .hide(axis=”columns”) без дополнительных аргументов.

Чтобы скрыть при отображении определённые строки или столбцы, вызовите тот же метод .hide() и передайте в аргумент subset метку строки/столбца, список меток строк/столбцов или срез по меткам строк/столбцов.

Скрытие не меняет целочисленную нумерацию CSS-классов. Например, если скрыть первые два столбца DataFrame, нумерация классов столбцов всё равно начнётся с col2, поскольку col0 и col1 просто игнорируются.

[5]:

df = pd.DataFrame(np.random.randn(5, 5))
df.style \
  .hide(subset=[0, 2, 4], axis=0) \
  .hide(subset=[0, 2, 4], axis=1)

[5]:

Чтобы инвертировать функцию и получить поведение отображения, рекомендуется составить список скрываемых элементов.

[6]:

show = [0, 2, 4]
df.style \
  .hide([row for row in df.index if row not in show], axis=0) \
  .hide([col for col in df.columns if col not in show], axis=1)

[6]:

Объединение результатов DataFrame

Можно объединить два или более объекта Styler, если у них совпадают столбцы. Это очень удобно для отображения сводной статистики DataFrame и часто используется в сочетании с DataFrame.agg.

Поскольку объединяются объекты Styler, для каждого из них можно независимо задать стиль, как будет показано ниже, а при объединении эти стили сохраняются.

[7]:

summary_styler = df.agg(["sum", "mean"]).style \
                   .format(precision=3) \
                   .relabel_index(["Sum", "Average"])
df.style.format(precision=1).concat(summary_styler)

[7]:

Атрибуты таблицы

К основной <table> очень легко добавить class с помощью .set_table_attributes(). Этот метод также позволяет добавлять встроенные стили — подробнее об этом см. в разделе Иерархии CSS.

[19]:

out = s.set_table_attributes('class="my-table-cls"').to_html()
print(out[out.find('<table'):][:109])

<table id="T_xyz01" class="my-table-cls">
  <thead>
    <tr>
      <th class="index_name level0" >Model:</th>

Классы CSS ячеек данных

Добавлено в версии 1.2.0

Метод .set_td_classes() принимает DataFrame с индексами и столбцами, соответствующими базовому DataFrame объекта Styler. Этот DataFrame содержит строки с CSS-классами, которые нужно добавить к отдельным ячейкам данных: элементы <td> в <table>. Вместо использования внешнего CSS мы создадим классы непосредственно и добавим их к стилю таблицы. Добавление границ отложим до раздела о всплывающих подсказках.

[20]:

s.set_table_styles([  # create internal CSS classes
    {'selector': '.true', 'props': 'background-color: #e6ffe6;'},
    {'selector': '.false', 'props': 'background-color: #ffe6e6;'},
], overwrite=False)
cell_color = pd.DataFrame([['true ', 'false ', 'true ', 'false '],
                           ['false ', 'true ', 'false ', 'true ']],
                          index=df.index,
                          columns=df.columns[:4])
s.set_td_classes(cell_color)

[20]:

Работа с данными

Для передачи функций стилей используются следующие методы. Оба метода принимают функцию (и некоторые другие именованные аргументы) и применяют её к DataFrame определённым образом, создавая стили CSS.

• .map() (поэлементно): принимает функцию, которая получает одно значение и возвращает строку с парой «атрибут-значение» CSS.

• .apply() (по столбцам, строкам или таблице): принимает функцию, которая получает Series или DataFrame и возвращает Series, DataFrame или массив numpy той же формы, в котором каждый элемент является строкой с парой «атрибут-значение» CSS. Этот метод передаёт функции по одному столбцу или строке DataFrame либо всю таблицу сразу — в зависимости от именованного аргумента axis. Для обработки по столбцам используйте axis=0, по строкам — axis=1, а для обработки всей таблицы сразу — axis=None.

Этот метод позволяет применять к ячейкам данных сложную логику. Создадим новый DataFrame для демонстрации.

[22]:

np.random.seed(0)
df2 = pd.DataFrame(np.random.randn(10,4), columns=['A','B','C','D'])
df2.style

[22]:

Например, можно создать функцию, которая окрашивает текст отрицательных значений, и объединить её с функцией, которая слегка затемняет ячейки с незначительными значениями. Поскольку здесь функция применяется к каждому элементу по очереди, используем map.

[23]:

def style_negative(v, props=''):
    return props if v < 0 else None
s2 = df2.style.map(style_negative, props='color:red;')\
              .map(lambda v: 'opacity: 20%;' if (v < 0.3) and (v > -0.3) else None)
s2

[23]:

Также можно создать функцию, выделяющую максимальное значение в строках, столбцах и во всём DataFrame. В этом случае используется apply. Ниже мы выделяем максимальное значение в столбце.

[25]:

def highlight_max(s, props=''):
    return np.where(s == np.nanmax(s.values), props, '')
s2.apply(highlight_max, props='color:white;background-color:darkblue', axis=0)

[25]:

Одну и ту же функцию можно применять к разным осям: здесь максимум в DataFrame выделен фиолетовым цветом, а максимумы в строках — розовым.

[27]:

s2.apply(highlight_max, props='color:white;background-color:pink;', axis=1)\
  .apply(highlight_max, props='color:white;background-color:purple', axis=None)

[27]:

В последнем примере показано, как одни стили могут переопределяться другими. Как правило, действует последний применённый стиль, но подробнее об этом можно прочитать в разделе об иерархиях CSS. Эти стили также можно применять к более мелким частям DataFrame — подробнее см. в разделе о выборе подмножеств.

Некоторые возможности можно реализовать только с помощью классов, но это может быть более громоздко. См. пункт 3) раздела «Оптимизация»

Работа с индексом и заголовками столбцов

Аналогичным образом стили применяются к заголовкам с помощью следующих методов:

• .map_index() (поэлементно): принимает функцию, которая получает одно значение и возвращает строку с парой «атрибут-значение» CSS.

• .apply_index() (по уровням): принимает функцию, которая получает Series и возвращает Series или массив numpy той же формы, в котором каждый элемент является строкой с парой «атрибут-значение» CSS. Этот метод передаёт функции по одному уровню Index за раз. Чтобы задать стиль индекса, используйте axis=0, а чтобы задать стиль заголовков столбцов — axis=1.

Можно выбрать level из MultiIndex, однако в настоящее время для этих методов нет аналогичного применения subset.

[29]:

s2.map_index(lambda v: "color:pink;" if v>4 else "color:darkblue;", axis=0)
s2.apply_index(lambda s: np.where(s.isin(["A", "B"]), "color:pink;", "color:darkblue;"), axis=1)

[29]:

1. Удалите UUID и cell_ids

Игнорируйте uuid и задайте для cell_ids значение False. Это позволит избежать создания ненужного HTML.

[41]:

df4 = pd.DataFrame([[1,2],[3,4]])
s4 = df4.style

[42]:

from pandas.io.formats.style import Styler
s4 = Styler(df4, uuid_len=0, cell_ids=False)

2. Используйте стили таблиц

По возможности используйте стили таблиц (например, сразу для всех ячеек, строк или столбцов), поскольку CSS почти всегда эффективнее других форматов.

[43]:

props = 'font-family: "Times New Roman", Times, serif; color: #e83e8c; font-size:1.3em;'
df4.style.map(lambda x: props, subset=[1])

[43]:

[44]:

df4.style.set_table_styles([{'selector': 'td.col1', 'props': props}])

[44]:

3. Задавайте классы вместо использования функций Styler

Для больших DataFrame, где к множеству ячеек применяется один и тот же стиль, эффективнее объявить стили как классы, а затем назначить эти классы ячейкам данных, вместо того чтобы применять стили непосредственно к ячейкам. Однако, если оптимизация вас не беспокоит, вероятно, пользоваться API функций Styler всё же проще.

[45]:

df2.style.apply(highlight_max, props='color:white;background-color:darkblue;', axis=0)\
         .apply(highlight_max, props='color:white;background-color:pink;', axis=1)\
         .apply(highlight_max, props='color:white;background-color:purple', axis=None)

[45]:

[46]:

build = lambda x: pd.DataFrame(x, index=df2.index, columns=df2.columns)
cls1 = build(df2.apply(highlight_max, props='cls-1 ', axis=0))
cls2 = build(df2.apply(highlight_max, props='cls-2 ', axis=1, result_type='expand').values)
cls3 = build(highlight_max(df2, props='cls-3 '))
df2.style.set_table_styles([
    {'selector': '.cls-1', 'props': 'color:white;background-color:darkblue;'},
    {'selector': '.cls-2', 'props': 'color:white;background-color:pink;'},
    {'selector': '.cls-3', 'props': 'color:white;background-color:purple;'}
]).set_td_classes(cls1 + cls2 + cls3)

[46]:

4. Не используйте всплывающие подсказки

Для работы всплывающих подсказок требуется cell_ids, и для каждой ячейки данных создаются дополнительные HTML-элементы.

5. Если важен каждый байт, используйте замену строк

Можно удалить ненужный HTML или сократить имена классов по умолчанию, заменив словарь css по умолчанию. Подробнее о CSS можно прочитать ниже.

[47]:

my_css = {
    "row_heading": "",
    "col_heading": "",
    "index_name": "",
    "col": "c",
    "row": "r",
    "col_trim": "",
    "row_trim": "",
    "level": "l",
    "data": "",
    "blank": "",
}
html = Styler(df4, uuid_len=0, cell_ids=False)
html.set_table_styles([{'selector': 'td', 'props': props},
                       {'selector': '.c1', 'props': 'color:green;'},
                       {'selector': '.l0', 'props': 'color:blue;'}],
                      css_class_names=my_css)
print(html.to_html())

<style type="text/css">
#T_ td {
  font-family: "Times New Roman", Times, serif;
  color: #e83e8c;
  font-size: 1.3em;
}
#T_ .c1 {
  color: green;
}
#T_ .l0 {
  color: blue;
}
</style>
<table id="T_">
  <thead>
    <tr>
      <th class=" l0" >&nbsp;</th>
      <th class=" l0 c0" >0</th>
      <th class=" l0 c1" >1</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th class=" l0 r0" >0</th>
      <td class=" r0 c0" >1</td>
      <td class=" r0 c1" >2</td>
    </tr>
    <tr>
      <th class=" l0 r1" >1</th>
      <td class=" r1 c0" >3</td>
      <td class=" r1 c1" >4</td>
    </tr>
  </tbody>
</table>

[48]:

html

[48]:

Выделение пропущенных значений

[49]:

df2.iloc[0,2] = np.nan
df2.iloc[4,3] = np.nan
df2.loc[:4].style.highlight_null(color='yellow')

[49]:

Выделение минимума или максимума

[50]:

df2.loc[:4].style.highlight_max(axis=1, props='color:white; font-weight:bold; background-color:darkblue;')

[50]:

Выделение значений в диапазоне

Этот метод принимает диапазоны в виде чисел с плавающей точкой, массивов NumPy или Series при условии совпадения индексов.

[51]:

left = pd.Series([1.0, 0.0, 1.0], index=["A", "B", "D"])
df2.loc[:4].style.highlight_between(left=left, right=1.5, axis=1, props='color:white; background-color:purple;')

[51]:

Выделение квантилей

Полезно для выявления значений с наибольшими или наименьшими процентилями

[52]:

df2.loc[:4].style.highlight_quantile(q_left=0.85, axis=None, color='yellow')

[52]:

Градиент фона и градиент текста

С помощью методов background_gradient и text_gradient можно создавать «тепловые карты». Для этого требуется matplotlib; для получения красивой цветовой карты мы воспользуемся Seaborn.

[53]:

import seaborn as sns
cm = sns.light_palette("green", as_cmap=True)

df2.style.background_gradient(cmap=cm)

[53]:

[54]:

df2.style.text_gradient(cmap=cm)

[54]:

Методы .background_gradient и .text_gradient имеют ряд именованных аргументов для настройки градиентов и цветов. См. документацию.

Задание свойств

Используйте Styler.set_properties, если стиль фактически не зависит от значений. Это простая обертка для .map, где функция возвращает одинаковые свойства для всех ячеек.

[55]:

df2.loc[:4].style.set_properties(**{'background-color': 'black',
                           'color': 'lawngreen',
                           'border-color': 'white'})

[55]:

Столбчатые диаграммы

В DataFrame можно добавлять «столбчатые диаграммы».

[56]:

df2.style.bar(subset=['A', 'B'], color='#d65f5f')

[56]:

Дополнительные именованные аргументы позволяют точнее задавать выравнивание и положение, а также передавать список [color_negative, color_positive] для выделения наименьших и наибольших значений либо цветовую карту matplotlib.

Для примера покажем, как изменить таблицу выше с помощью новой опции align, а также задать ограничения vmin и vmax, width рисунка и базовый css props ячеек, оставив место для текста и столбцов. Мы также используем text_gradient, чтобы окрасить текст в цвет столбцов с помощью цветовой карты matplotlib (хотя в данном случае визуализация, вероятно, лучше смотрелась бы без этого дополнительного эффекта).

[57]:

df2.style.format('{:.3f}', na_rep="")\
         .bar(align=0, vmin=-2.5, vmax=2.5, cmap="bwr", height=50,
              width=60, props="width: 120px; border-right: 1px solid black;")\
         .text_gradient(cmap="bwr", vmin=-2.5, vmax=2.5)

[57]:

Следующий пример иллюстрирует поведение новых параметров выравнивания:

[59]:

HTML(head)

[59]:

Виджеты

Styler хорошо взаимодействует с виджетами. Если вы просматриваете эту страницу в интернете, а не запускаете блокнот самостоятельно, вы не сможете интерактивно настраивать цветовую палитру.

[62]:

from ipywidgets import widgets
@widgets.interact
def f(h_neg=(0, 359, 1), h_pos=(0, 359), s=(0., 99.9), l=(0., 99.9)):
    return df2.style.background_gradient(
        cmap=sns.palettes.diverging_palette(h_neg=h_neg, h_pos=h_pos, s=s, l=l,
                                            as_cmap=True)
    )

Увеличение

[63]:

def magnify():
    return [dict(selector="th",
                 props=[("font-size", "4pt")]),
            dict(selector="td",
                 props=[('padding', "0em 0em")]),
            dict(selector="th:hover",
                 props=[("font-size", "12pt")]),
            dict(selector="tr:hover td:hover",
                 props=[('max-width', '200px'),
                        ('font-size', '12pt')])
]

[64]:

np.random.seed(25)
cmap = cmap=sns.diverging_palette(5, 250, as_cmap=True)
bigdf = pd.DataFrame(np.random.randn(20, 25)).cumsum()

bigdf.style.background_gradient(cmap, axis=1)\
    .set_properties(**{'max-width': '80px', 'font-size': '1pt'})\
    .set_caption("Hover to magnify")\
    .format(precision=2)\
    .set_table_styles(magnify())

[64]:

Закреплённые заголовки

Если вы отображаете большую матрицу или DataFrame в блокноте, но хотите всегда видеть заголовки строк и столбцов, можно использовать метод .set_sticky, который изменяет CSS-стили таблицы.

[65]:

bigdf = pd.DataFrame(np.random.randn(16, 100))
bigdf.style.set_sticky(axis="index")

[65]:

Также можно закрепить MultiIndexes и даже только определённые уровни.

[66]:

bigdf.index = pd.MultiIndex.from_product([["A","B"],[0,1],[0,1,2,3]])
bigdf.style.set_sticky(axis="index", pixel_size=18, levels=[1,2])

Экранирование HTML

Предположим, вам нужно отобразить HTML внутри HTML. Это может быть непросто, если средство визуализации не может их различить. Для этого можно использовать параметр форматирования escape и даже применять его внутри форматтера, который сам содержит HTML.

[67]:

df4 = pd.DataFrame([['<div></div>', '"&other"', '<span></span>']])
df4.style

[67]:

[68]:

df4.style.format(escape="html")

[68]:

[69]:

df4.style.format('<a href="https://pandas.pydata.org" target="_blank">{}</a>', escape="html")

[69]:

Классы и идентификаторы CSS

Точная структура классов CSS class, назначаемых каждой ячейке, выглядит следующим образом.

• Ячейки с именами индекса и столбцов содержат index_name и level<k>, где k — уровень в MultiIndex

• Ячейки меток индекса содержат

  • row_heading

  • level<k>, где k — уровень в MultiIndex

  • row<m>, где m — числовая позиция строки

• Ячейки меток столбцов содержат

  • col_heading

  • level<k>, где k — уровень в MultiIndex

  • col<n>, где n — числовая позиция столбца

• Ячейки данных содержат

  • data

  • row<m>, где m — числовая позиция ячейки.

  • col<n>, где n — числовая позиция ячейки.

• Пустые ячейки содержат blank

• Обрезанные ячейки содержат col_trim или row_trim

Структура id — T_uuid_level<k>_row<m>_col<n>, где level<k> используется только для заголовков, а у заголовков будет только row<m> или col<n> — в зависимости от необходимости. По умолчанию мы также добавляем в начало каждого идентификатора строки/столбца UUID, уникальный для каждого DataFrame, чтобы стили одной таблицы не конфликтовали со стилями другой в том же блокноте или на той же странице. Подробнее об использовании UUID можно узнать в разделе Оптимизация.

Пример HTML можно увидеть, вызвав метод .to_html().

[71]:

print(pd.DataFrame([[1,2],[3,4]], index=['i1', 'i2'], columns=['c1', 'c2']).style.to_html())

<style type="text/css">
</style>
<table id="T_82d9e">
  <thead>
    <tr>
      <th class="blank level0" >&nbsp;</th>
      <th id="T_82d9e_level0_col0" class="col_heading level0 col0" >c1</th>
      <th id="T_82d9e_level0_col1" class="col_heading level0 col1" >c2</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th id="T_82d9e_level0_row0" class="row_heading level0 row0" >i1</th>
      <td id="T_82d9e_row0_col0" class="data row0 col0" >1</td>
      <td id="T_82d9e_row0_col1" class="data row0 col1" >2</td>
    </tr>
    <tr>
      <th id="T_82d9e_level0_row1" class="row_heading level0 row1" >i2</th>
      <td id="T_82d9e_row1_col0" class="data row1 col0" >3</td>
      <td id="T_82d9e_row1_col1" class="data row1 col1" >4</td>
    </tr>
  </tbody>
</table>

Иерархии CSS

В примерах показано, что при пересечении стилей CSS приоритет имеет тот, который расположен последним в HTML-разметке. Поэтому следующий код дает разные результаты:

[72]:

df4 = pd.DataFrame([['text']])
df4.style.map(lambda x: 'color:green;')\
         .map(lambda x: 'color:red;')

[72]:

[73]:

df4.style.map(lambda x: 'color:red;')\
         .map(lambda x: 'color:green;')

[73]:

Это справедливо только для правил CSS с одинаковой иерархией или важностью. Подробнее о специфичности CSS можно узнать здесь, а для наших целей достаточно суммировать основные положения:

Оценка важности CSS для каждого HTML-элемента вычисляется, начиная с нуля и прибавляя:

• 1000 за встроенный атрибут style

• 100 за каждый ID

• 10 за каждый атрибут, класс или псевдокласс

• 1 за каждое имя элемента или псевдоэлемент

Рассмотрим, как работают следующие настройки

[74]:

df4.style.set_uuid('a_')\
         .set_table_styles([{'selector': 'td', 'props': 'color:red;'}])\
         .map(lambda x: 'color:green;')

[74]:

Этот текст красный, потому что сгенерированный селектор #T_a_ td имеет вес 101 (ID и элемент), тогда как #T_a_row0_col0 имеет вес только 100 (ID), поэтому считается менее приоритетным, хотя в HTML он расположен после предыдущего.

[75]:

df4.style.set_uuid('b_')\
         .set_table_styles([{'selector': 'td', 'props': 'color:red;'},
                            {'selector': '.cls-1', 'props': 'color:blue;'}])\
         .map(lambda x: 'color:green;')\
         .set_td_classes(pd.DataFrame([['cls-1']]))

[75]:

В приведенном выше случае текст синий, поскольку селектор #T_b_ .cls-1 имеет вес 110 (ID и класс), что дает ему преимущество.

[76]:

df4.style.set_uuid('c_')\
         .set_table_styles([{'selector': 'td', 'props': 'color:red;'},
                            {'selector': '.cls-1', 'props': 'color:blue;'},
                            {'selector': 'td.data', 'props': 'color:yellow;'}])\
         .map(lambda x: 'color:green;')\
         .set_td_classes(pd.DataFrame([['cls-1']]))

[76]:

Теперь мы создали стиль для другой таблицы; на этот раз селектор T_c_ td.data (ID, элемент и класс) получает вес 111.

Если стиль не применяется и это вас сильно раздражает, попробуйте козырь !important.

[77]:

df4.style.set_uuid('d_')\
         .set_table_styles([{'selector': 'td', 'props': 'color:red;'},
                            {'selector': '.cls-1', 'props': 'color:blue;'},
                            {'selector': 'td.data', 'props': 'color:yellow;'}])\
         .map(lambda x: 'color:green !important;')\
         .set_td_classes(pd.DataFrame([['cls-1']]))

[77]:

Наконец-то этот текст стал зеленым!

Создание подклассов

Если стандартный шаблон не совсем соответствует вашим потребностям, можно создать подкласс Styler и расширить или переопределить шаблон. Покажем пример расширения стандартного шаблона для добавления пользовательского заголовка перед каждой таблицей.

[78]:

from jinja2 import Environment, ChoiceLoader, FileSystemLoader
from IPython.display import HTML
from pandas.io.formats.style import Styler

Будем использовать следующий шаблон:

[79]:

with open("templates/myhtml.tpl") as f:
    print(f.read())

{% extends "html_table.tpl" %}
{% block table %}
<h1>{{ table_title|default("My Table") }}</h1>
{{ super() }}
{% endblock table %}

Создав шаблон, нужно создать подкласс Styler, которому он будет известен.

[80]:

class MyStyler(Styler):
    env = Environment(
        loader=ChoiceLoader([
            FileSystemLoader("templates"),  # contains ours
            Styler.loader,  # the default
        ])
    )
    template_html_table = env.get_template("myhtml.tpl")

Обратите внимание, что мы включаем исходный загрузчик в загрузчик окружения. Это необходимо, поскольку мы расширяем исходный шаблон, и окружение Jinja должно иметь возможность его найти.

Теперь можно использовать этот пользовательский Styler. Это __init__ принимает DataFrame.

[81]:

MyStyler(df3)

[81]:

Наш пользовательский шаблон принимает ключевой аргумент table_title. Его значение можно передать в методе .to_html.

[82]:

HTML(MyStyler(df3).to_html(table_title="Extending Example"))

[82]: