Python中Excel文件的批量合并和拆分

Python中Excel文件的批量合并和拆分

在Python中处理Excel文件的批量合并和拆分任务，通常涉及使用pandas、openpyxl和pathlib等库。以下是详细的说明，包括如何安装这些库，主要功能，API的具体用法，以及高级用法和示例。

1. 库概述

1.1 pandas

• 主要功能：数据处理和分析，支持读取、合并、拆分Excel文件。
• 适用场景：数据分析、批量处理、文件合并和拆分。

1.2 openpyxl

• 主要功能：处理.xlsx文件，支持读取、修改、格式化和写入。
• 适用场景：对Excel文件进行高级操作，如格式化和复杂的写入操作。

1.3 pathlib

• 主要功能：操作文件系统路径，提供更高级的路径操作功能。
• 适用场景：处理文件路径、批量文件操作。

2. 库的安装

安装pandas和openpyxl：

pip install pandas openpyxl

pathlib是Python标准库的一部分，不需要额外安装。

3. pathlib库详解

pathlib提供了面向对象的文件和路径操作功能。以下是主要类及其使用方法。

3.1 Path类

Path类是pathlib的核心类，表示文件系统中的路径。

3.1.1 构造函数

from pathlib import Path

# 创建路径对象
p = Path('data')

3.1.2 常用方法

• resolve()：返回路径的绝对路径。

  abs_path = p.resolve()
  print(abs_path)
  

• exists()：检查路径是否存在。

  exists = p.exists()
  print(exists)
  

• is_file()：检查路径是否为文件。

  is_file = p.is_file()
  print(is_file)
  

• is_dir()：检查路径是否为目录。

  is_dir = p.is_dir()
  print(is_dir)
  

• mkdir(parents=False, exist_ok=False)：创建目录。

  p.mkdir(parents=True, exist_ok=True)  # 创建目录及其父目录
  

• rmdir()：删除目录（目录必须为空）。

  p.rmdir()  # 删除目录
  

• glob(pattern)：按模式匹配路径。

  for file in p.glob('*.xlsx'):
      print(file)
  

• match(pattern)：检查路径是否符合模式。

  if p.match('*.xlsx'):
      print("This is an Excel file")
  

• iterdir()：列出目录中的所有文件和子目录。

  for item in p.iterdir():
      print(item)
  

• joinpath(*args)：拼接路径。

  new_path = p.joinpath('subdir', 'file.xlsx')
  print(new_path)
  

3.2 PurePath类

PurePath类提供了路径操作功能，但不涉及实际的文件系统操作。它是一个抽象类，不能直接用于文件操作。PurePath用于在不访问文件系统的情况下处理路径字符串。

3.2.1 主要子类

• PurePath：基本的纯路径操作类。
• PurePosixPath：POSIX系统（如Linux和macOS）的路径操作类。
• PureWindowsPath：Windows系统的路径操作类。

3.2.2 示例

from pathlib import PurePath

# 创建PurePath对象
p = PurePath('data', 'file.xlsx')

print(p.parts)   # ('data', 'file.xlsx')
print(p.name)    # 'file.xlsx'
print(p.suffix)  # '.xlsx'

3.3 Path和PurePath的区别和联系

• Path：用于实际的文件系统操作，支持文件和目录的创建、删除、移动、查找等操作。Path类在POSIX和Windows系统中有不同的实现，分别是PosixPath和WindowsPath。

• PurePath：仅用于路径的字符串操作，不涉及实际的文件系统操作。它提供了一些基本的路径操作功能，如拼接路径、分离路径组件等。PurePath的子类PurePosixPath和PureWindowsPath分别用于POSIX和Windows系统的路径字符串操作。

示例对比：

from pathlib import Path, PurePath

# Path示例
p1 = Path('data', 'file.xlsx')
print(p1.resolve())   # 获取绝对路径
print(p1.exists())    # 检查路径是否存在

# PurePath示例
p2 = PurePath('data', 'file.xlsx')
print(p2.parts)       # ('data', 'file.xlsx')
print(p2.name)        # 'file.xlsx'

4. 批量合并Excel文件

4.1 使用pandas批量合并Excel文件

示例

假设有多个Excel文件：file1.xlsx、file2.xlsx、file3.xlsx，每个文件都包含相同结构的数据，我们要将它们合并为一个文件。

import pandas as pd
from pathlib import Path

# 获取所有Excel文件的路径
file_paths = Path('data').glob('*.xlsx')

# 读取并合并所有Excel文件
data_frames = [pd.read_excel(file, engine='openpyxl') for file in file_paths]
combined_df = pd.concat(data_frames, ignore_index=True)

# 保存合并后的DataFrame到一个新的Excel文件
combined_df.to_excel('combined.xlsx', index=False)

4.2 使用openpyxl进行合并

示例

如果需要对合并过程中的格式进行控制，可以使用openpyxl。

from openpyxl import Workbook
from openpyxl.utils.dataframe import dataframe_to_rows
from pathlib import Path
import pandas as pd

# 创建一个新的工作簿
wb = Workbook()
ws = wb.active
ws.title = "Combined Data"

# 获取所有Excel文件的路径
file_paths = Path('data').glob('*.xlsx')

# 读取并合并所有Excel文件
for file in file_paths:
    df = pd.read_excel(file, engine='openpyxl')
    
    # 将DataFrame中的数据添加到工作表中
    for row in dataframe_to_rows(df, index=False, header=True):
        ws.append(row)

# 保存合并后的工作簿
wb.save('combined_openpyxl.xlsx')

5. 批量拆分Excel文件

5.1 使用pandas批量拆分Excel文件

示例

将一个大Excel文件large_file.xlsx拆分为每个包含200行数据的小文件。

import pandas as pd

# 读取大Excel文件
df = pd.read_excel('large_file.xlsx', engine='openpyxl')

# 拆分数据
chunk_size = 200
num_chunks = (len(df) + chunk_size - 1) // chunk_size

for i in range(num_chunks):
    start_row = i * chunk_size
    end_row = min((i + 1) * chunk_size, len(df))
    chunk_df = df.iloc[start_row:end_row]
    
    # 保存拆分后的DataFrame到新的Excel文件
    chunk_df.to_excel(f'chunk_{i + 1}.xlsx', index=False)

5.2 使用openpyxl进行拆分

示例

对拆分后的文件进行格式化，如设置标题行的字体为加粗，并保存每个拆分后的文件。

from openpyxl import Workbook
from openpyxl.utils.dataframe import dataframe_to_rows
from openpyxl.styles import Font
import pandas as pd

# 读取大Excel文件
df = pd.read_excel('large_file.xlsx', engine='openpyxl')

# 拆分数据
chunk_size = 200
num_chunks = (len(df) + chunk_size - 1) // chunk_size

for i in range(num_chunks):
    start_row = i * chunk_size
    end_row = min((i + 1) * chunk_size, len(df))
    chunk_df = df.iloc[start_row:end_row]

    # 创建一个新的工作簿
    wb = Workbook()
    ws = wb.active
    ws.title = "Data"
    
    # 添加数据到工作表
    for row in dataframe_to_rows(chunk_df, index=False, header=True):
        ws.append(row)
    
    # 设置标题行的字体为加粗
    for cell in ws[1]:
        cell.font

 = Font(bold=True)
    
    # 保存拆分后的工作簿
    wb.save(f'chunk_{i + 1}_openpyxl.xlsx')

6. 数据清理和统计计算

6.1 数据清理

在写入Excel文件前进行数据清理，确保数据质量。

示例

import pandas as pd

# 读取数据
df = pd.read_excel('data.xlsx', engine='openpyxl')

# 过滤掉不符合条件的数据
df = df[df['Column'] > 0]

# 保存清理后的DataFrame
df.to_excel('cleaned_data.xlsx', index=False)

6.2 统计计算

在处理数据时，有时需要进行统计计算，如求和、平均值等。

示例

import pandas as pd

# 读取数据
df = pd.read_excel('data.xlsx', engine='openpyxl')

# 计算列的总和
total_sum = df['Column'].sum()
print(f"Total Sum: {total_sum}")

# 计算列的平均值
average_value = df['Column'].mean()
print(f"Average Value: {average_value}")

# 计算列的最大值和最小值
max_value = df['Column'].max()
min_value = df['Column'].min()
print(f"Max Value: {max_value}")
print(f"Min Value: {min_value}")

这些示例展示了如何使用pathlib、pandas和openpyxl来处理Excel文件的批量合并和拆分任务，提供了清晰的步骤和代码示例。希望这些信息对你有帮助！