python实现excel的基本功能

python和excel
查看列数：data.shape[1]
查看行数：data.shape[0]
查看单元格数：data.size
查看列名：data.columns
查看某列：data['name']
查看某行：data[1:2]
查看某行：data.iloc[0]
查看某列：data.loc[0]
查看多个单元格：data.loc[[0,2],['XXX','YYY']] #可以数字也可以字母
查看某块：data.iloc[0:3,0:3]  #只能数字
信息筛选：data[(xxx >= 20) & (yyy <= 30) & (data.YYY.isin(['A','B']))]
删除行：data.drop([0,2,3,4,5])
删除列：data.drop(columns=['xxx','yyy'])
删除空值：data.dropna(how='any')		data.dropna(how='all')
插入最后一列：data['new'] = 0
指定位置插入一列：data.insert(1,'new',0)
替换空值：data.fillna(0)
字符串删除空格：df["city"].str.strip()
更换大小写： df["city"] = df['city'].str.lower()
更改列名称：df.rename(columns={"ciity":"newcity"})
删除重复值：df['city'].drop_duplicates()
替换：df['city'].replace('sh','shanghai')
设置索引列：df.set_index('id')
生成连续指定天数的日期：pd.date_range('20000101',periods=10)
排序：
	按列排序：data.sort_values(by=['xxx','yyy'],ascending=[0,1])
	按索引排序：df.sort_index()
替换某列的特定值：
	for  i in rane(data.shape[0]):
		if data.loc[[i],['xxx']].values >= 10:
			data.loc[[i],['xxx']] = 0
合并列：data['new'] = data['xxx'].map(str) + "-" + data['yyy'].map(str)
一列拆分多列：data['xxx_split'] = data['xxx'].str.split('-')
	data['xxx_split1'] = data['xxx_split'].str[0]
	data['xxx_split2'] = data['xxx_split'].str[1]
内容匹配：data = pd.merge(data1,data2,how='left',on=['xxx','yyy'])
数字格式处理：data['xxx'] = data['xxx'].astype(int)
透视表：
	data = pd.pivot_table(data,index=['x','xx'],columns = ['y','yy'],values=['z','zz'],aggfunc=[np.sum,np.mean,len],margins=True)
	df2=df.groupby(['月份','区域'])[['销售额','成本']].agg('sum')
	df3 = pd.pivot_table(df, values=['销售额', '成本'], index=['月份', '区域'] , aggfunc='sum')
分组：
	a.groupby('gender').sum()
	a.groupby('gender').size()
vlookup:
	禁用科学计数法：pd.set_option('display.float_format', lambda x: '%.2f' % x)
	（1）数据透视表
	def rank(x):
		if x >= 90:
			return 'A'
		elif x >= 80:
			return 'B'
		elif x >= 70:
			return 'C'
		elif x >= 60:
			return 'D'
		else:
			return 'E'
	df['rank'] = df['score'].apply(rank)
	（2）跨表查询，merge
	（3）模糊匹配，近似查找
		 excel:  = vlookup(A2&" *",B:G,6,0)
		python: 
			df1
			df3
			df3['月折旧']=0
			for i in range(len(df3['资产']):
				df3['月折旧'][i] = df1[df1['资产'].map(lambda x :df3['资产'][i] in x)]['月折旧']

合并：
	contact： 
		frames = [df1,df2,df3]
		result = pd.concat(frames)
	append:  result = df1.append(df2)
	merge: 类似于sql
	join：left.join(right,on='key')