自从学会了Pandas，我用Python处理Excel更高效了_python panda excel(1)

import pandas as pd



# 读excel文件

# 返回一个DataFrame对象，多维数据结构

df = pd.read_excel('lemon_cases.xlsx', sheet_name='multiply')

print(df)



# 1.读取一列数据

# df["title"] 返回一个Series对象，记录title这列的数据

print(df["title"])



# Series对象能转化为任何序列类型和dict字典类型

print(list(df['title']))    # 转化为列表

# title为DataFrame对象的属性

print(list(df.title))    # 转化为列表

print(tuple(df['title']))   # 转化为元组

print(dict(df['title']))    # 转化为字典，key为数字索引



# 2.读取某一个单元格数据

# 不包括表头，指定列名和行索引

print(df['title'][0])   # title列，不包括表头的第一个单元格



# 3.读取多列数据

print(df[["title", "actual"]])

3.按行读取数据

import pandas as pd



# 读excel文件

df = pd.read_excel('lemon_cases.xlsx', sheet_name='multiply')   # 返回一个DataFrame对象，多维数据结构

print(df)



# 1.读取一行数据

# 不包括表头，第一个索引值为0

# 获取第一行数据，可以将其转化为list、tuple、dict

print(list(df.iloc[0]))  # 转成列表

print(tuple(df.iloc[0]))  # 转成元组

print(dict(df.iloc[0]))  # 转成字典

print(dict(df.iloc[-1]))  # 也支持负索引



# 2.读取某一个单元格数据

# 不包括表头，指定行索引和列索引（或者列名）

print(df.iloc[0]["l_data"])   # 指定行索引和列名

print(df.iloc[0][2])    # 指定行索引和列索引



# 3.读取多行数据

print(df.iloc[0:3])

4.iloc和loc方法

import pandas as pd



# 读excel文件

df =pd.read_excel('lemon_cases.xlsx', sheet_name='multiply')   # 返回一个DataFrame对象，多维数据结构

print(df)



# 1.iloc方法

# iloc使用数字索引来读取行和列

# 也可以使用iloc方法读取某一列

print(df.iloc[:, 0])

print(df.iloc[:, 1])

print(df.iloc[:, -1])



# 读取多列

print(df.iloc[:, 0:3])



# 读取多行多列

print(df.iloc[2:4, 1:4])

print(df.iloc[[1, 3], [2, 4]])



# 2.loc方法

# loc方法，基于标签名或者索引名来选择

print(df.loc[1:2, "title"])             # 多行一列

print(df.loc[1:2, "title":"r_data"])    # 多列多行



# 基于布尔类型来选择

print(df["r_data"] > 5)  # 某一列中大于5的数值为True，否则为False

print(df.loc[df["r_data"] > 5])  # 把r_data列中大于5，所在的行选择出来

print(df.loc[df["r_data"] > 5, "r_data":"actual"])  # 把r_data到actual列选择出来

5.读取所有数据

import pandas as pd



# 读excel文件

df = pd.read_excel('lemon_cases.xlsx', sheet_name='multiply')   # 返回一个DataFrame对象，多维数据结构

print(df)



# 读取的数据为嵌套列表的列表类型，此方法不推荐使用

print(df.values)



# 嵌套字典的列表

datas_list = []

for r_index in df.index:

    datas_list.append(df.iloc[r_index].to_dict())



print(datas_list)

6.写入数据

import pandas as pd



# 读excel文件

df = pd.read_excel('lemon_cases.xlsx', sheet_name='multiply')   # 返回一个DataFrame对象，多维数据结构

print(df)



df['result'][0] = 1000

print(df)

with pd.ExcelWriter('lemon_cases_new.xlsx') as writer:

    df.to_excel(writer, sheet_name="New", index=False)

03 使用pandas来操作csv文件

1.读取csv文件

案例中的 data.log 文件内容如下所示：

TestID,TestTime,Success

0,149,0

1,69,0

2,45,0

文末有福利领取哦~
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

👉**一、Python所有方向的学习路线**

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。![img](https://img-blog.csdnimg.cn/c67c0f87cf9343879a1278dfb067f802.png)

👉**二、Python必备开发工具**

![img](https://img-blog.csdnimg.cn/757ca3f717df4825b7d90a11cad93bc7.png)  
👉**三、Python视频合集**

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。  
![img](https://img-blog.csdnimg.cn/31066dd7f1d245159f21623d9efafa68.png)

👉 **四、实战案例**

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。**（文末领读者福利）**  
![img](https://img-blog.csdnimg.cn/e78afb3dcb8e4da3bae5b6ffb9c07ec7.png)

👉**五、Python练习题**

检查学习结果。  
![img](https://img-blog.csdnimg.cn/280da06969e54cf180f4904270636b8e.png)

👉**六、面试资料**

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。  
![img](https://img-blog.csdnimg.cn/a9d7c35e6919437a988883d84dcc5e58.png)

![img](https://img-blog.csdnimg.cn/5db8141418d544d3a8e9da4805b1a3f9.png)

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传




**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化学习资料的朋友，可以戳这里无偿获取](https://bbs.csdn.net/topics/618317507)**

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**