Python pandas 操作 excel 详解

已于 2023-12-26 15:53:02 修改
阅读量1w 收藏 148
点赞数 43
分类专栏： Python 文章标签： pandas python excel
于 2023-12-26 11:29:20 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34745941/article/details/135125034
版权

文章目录

1 概述

1.1 pandas 和 openpyxl 区别

  • Python 中的 pandas 和 openpyxl 库，均可以处理 excel 文件，其中主要区别：
    • pandas：① 数据操作和分析方面表现优异。它提供了各种文件格式（包括 Excel）中读取数据的函数，在过滤数据、汇总数据、处理缺失值和执行其它数据转换任务方便，特别有用。② 使用方便。DataFrame 对象，使用快速方便，且功能十分强大。
    • openpyxl：侧重单元格格式设置。这个库也允许我们直接处理 Excel 文件。pandas 快，但 pandas 做不了的事情，可以让 openpyxl 来做，例如：单元格注释、填充背景色 等等

1.2 Series 和 DataFrame

  • Series：连续。可理解为 “一维数组”，由一行 或 一列 组成，具体是行，还是列，由 DataFrame 指定
  • DataFrame：数据框。可理解为 “二维数组”，由行和列组成
import pandas as pd

# Series 示例
s = pd.Series(['a', 'b', 'c'], index=[1, 2, 3], name='A')
print(s)
# 1    a
# 2    b
# 3    c
# Name: A, dtype: object

# DataFrame 示例
s1 = pd.Series(['a', 'b', 'c'], index=[1, 2, 3], name='A')
s2 = pd.Series(['aa', 'bb', 'cc'], index=[1, 2, 3], name='B')
s3 = pd.Series(['aaa', 'bbb', 'ccc'], index=[1, 2, 3], name='C')
# 方式1：指定 Series 为行
df = pd.DataFrame([s1, s2, s3])
print(df)
#      1    2    3
# A    a    b    c
# B   aa   bb   cc
# C  aaa  bbb  ccc

# 方式2：指定 Series 为列
df = pd.DataFrame({s1.name: s1, s2.name: s2, s3.name: s3})
print(df)
#    A   B    C
# 1  a  aa  aaa
# 2  b  bb  bbb
# 3  c  cc  ccc

2 常用操作

2.1 创建 Excel：to_excel()

import pandas as pd

# 测试数据
data = {'ID': [1, 2, 3], 'Name': ['张三', '李四', '王五']}

# 1.创建 DataFrame 对象
df = pd.DataFrame(data=data)

# 可选操作。将 ID 设为索引，若不设置，会使用默认索引 narray(n)
df = df.set_index('ID')  # 写法1
# df.set_index('ID', inplace=True)  # 写法2

# 2.写入 excel 至指定位置（若文件已存在，则覆盖）
df.to_excel(r'C:\Users\Administrator\Desktop\Temp\1.xlsx')

指定索引前后，效果对比：
在这里插入图片描述

2.2 读取 Excel：read_excel()

import pandas as pd

# 1.读取 excel。默认读取第一个 sheet
student = pd.read_excel(r'C:\Users\Administrator\Desktop\Temp\1.xlsx')

# 2.读取常用属性
print(student.shape)  # 形状（行，列）
print(student.columns)  # 列名

读取指定 sheet：
在这里插入图片描述

import pandas as pd

# 1.读取指定 sheet 的 excel，以下两种方式等同
student = pd.read_excel(r'C:\Users\Administrator\Desktop\Temp\1.xlsx', sheet_name=1)
# student = pd.read_excel(r'C:\Users\Administrator\Desktop\Temp\1.xlsx', sheet_name='Sheet2')

# 2.读取常用属性
print(student.shape)  # 形状（行，列）
print(student.columns)  # 列名

2.2.1 header：标题的行索引

场景1：默认。第一行为标题（行索引为 0，即：header=0）

在这里插入图片描述

import pandas as pd

# 文件路径
filePath = r'C:\Users\Administrator\Desktop\Temp\1.xlsx'

# 1.读取 excel（默认第 1 行为标题，行索引为 0，即：header=0）
student = pd.read_excel(filePath)
print(student.columns)
# Index(['ID', 'Name', 'Age', 'Grade'], dtype='object')

场景2：指定第 n 行为标题
在这里插入图片描述

import pandas as pd

# 文件路径
filePath = r'C:\Users\Administrator\Desktop\Temp\1.xlsx'

# 场景2：excel 中第 2 行才是我们想要的标题（即：header=1）
student = pd.read_excel(filePath, header=1)
print(student.columns)
# Index(['ID', 'Name', 'Age', 'Grade'], dtype='object')

场景3：没有标题，需要人为给定
在这里插入图片描述

import pandas as pd

# 文件路径
filePath = r'C:\Users\Administrator\Desktop\Temp\1.xlsx'

# 场景3：excel 中没有标题，需要人为设定
student = pd.read_excel(filePath, header=None)
student.columns = ['ID', 'Name', 'Age', 'Grade']
student.set_index('ID', inplace=True)  # 指定索引列，并替换原数据
student.to_excel(filePath)  # 写入至 Excel
print(student)
#    Name  Age  Grade
# ID                 
# 1    张三   18     90
# 2    李四   20     70
# 3    王五   21     80
# 4    赵六   19     90

2.2.2 index_col：索引列

import pandas as pd

# 文件路径
filePath = r'C:\Users\Administrator\Desktop\Temp\1.xlsx'

# 读取 Excel，不指定索引列（会默认新增一个索引列，从 0 开始）
student = pd.read_excel(filePath)
print(student)
#    ID Name  Age  Grade
# 0   1   张三   18     90
# 1   2   李四   20     70
# 2   3   王五   21     80
# 3   4   赵六   19     90


# 读取 Excel，指定索引列
student = pd.read_excel(filePath, index_col='ID')
print(student)
#    Name  Age  Grade
# ID                 
# 1    张三   18     90
# 2    李四   20     70
# 3    王五   21     80
# 4    赵六   19     90

索引相关：

import pandas as pd

# 文件路径
filePath = r'C:\Users\Administrator\Desktop\Temp\1.xlsx'

# 1.读取 excel，并指定索引列
student = pd.read_excel(filePath, index_col='ID')

2.2.3 dtype：数据类型

import pandas as pd

# 文件路径
filePath = r'C:\Users\Administrator\Desktop\Temp\1.xlsx'

# 1.读取 excel 并指定 数据类型
student = pd.read_excel(filePath, dtype={'ID': str, 'Name': str, 'Age': int, 'Grade': float})
print(student)
#   ID Name  Age  Grade
# 0  1   张三   18   90.0
# 1  2   李四   20   70.0
# 2  3   王五   21   80.0
# 3  4   赵六   19   90.0

2.2.4 skiprows：跳过的行数

  • 比如：Excel 中有空行，如下图
  • 实际的数据是在第 3 行，所以要跳过前 2 行

在这里插入图片描述

import pandas as pd

# 文件路径
filePath = r'C:\Users\Administrator\Desktop\Temp\1.xlsx'

student = pd.read_excel(filePath, skiprows=2)
print(student)
#    ID Name  Age  Grade
# 0   1   张三   18     90
# 1   2   李四   20     70
# 2   3   王五   21     80
# 3   4   赵六   19     90

2.2.5 usercols：指定列数

import pandas as pd

# 文件路径
filePath = r'C:\Users\Administrator\Desktop\Temp\1.xlsx'

# 读取 Excel B - D 列（均包含）
student = pd.read_excel(filePath, usecols='B:D')
print(student)
#   Name  Age  Grade
# 0   张三   18     90
# 1   李四   20     70
# 2   王五   21     80
# 3   赵六   19     90

在这里插入图片描述

2.2.6 head(n)、tail(n)：读取前、后 n 行数据

  • 有时候，excel 数据量很大，读取全部会很耗时，也没必要
  • 咱测试时，仅读取部分行即可
import pandas as pd

# 1.读取 excel
student = pd.read_excel(r'C:\Users\Administrator\Desktop\Temp\1.xlsx')

# 读取前 3 行数据（默认 5 行）
print(student.head(3))

# 读取后 3 行数据（默认 5 行）
print(student.tail(3))

2.3 读写数据

2.3.1 at()：获取单元格

import pandas as pd

# 文件路径
filePath = r'C:\Users\Administrator\Desktop\Temp\1.xlsx'

# 1.读取 excel 并指定 索引
student = pd.read_excel(filePath, index_col=None)

for i in person.index:
    # 读写单元格：ID列，i行 的数据
    student['ID'].at[i] = i + 2

print(student)

2.3.2 loc[]：数据筛选

import pandas as pd


def age_18_to_20(age):
    return 18 <= age <= 20


def grade_good(grade):
    return 90 <= grade <= 100


# 文件路径
filePath = r'C:\Users\Administrator\Desktop\Temp\1.xlsx'

# 1.读取 excel 并指定 索引
student = pd.read_excel(filePath, index_col='ID')
student = student.loc[student['Age'].apply(age_18_to_20)].loc[student['Grade'].apply(grade_good)]
print(student)

2.3.3 sort_values()：数据排序

import pandas as pd

# 文件路径
filePath = r'C:\Users\Administrator\Desktop\Temp\1.xlsx'

# 1.读取 excel 并指定 索引
student = pd.read_excel(filePath, index_col='ID')

# 功能：排序
# by：待排序的字段
# ascending：顺序(True) 还是 逆序(False)
# inplace：是否替换当前对象
# 方式1：排序单个字段
student.sort_values(by='Grade', ascending=False, inplace=True)
print(student)
#    Name  Grade
# ID            
# 1    张三     90
# 4    赵六     90
# 3    王五     80
# 2    李四     70

# 方式2：排序多个字段，如：先顺序排列 Grade, 后逆序排列 ID
student.sort_values(by=['Grade', 'ID'], ascending=[True, False], inplace=True)
print(student)
#    Name  Grade
# ID            
# 2    李四     70
# 3    王五     80
# 4    赵六     90
# 1    张三     90

3 实战

3.1 遍历 Excel

import pandas as pd


def read_excel(excel_name):
    data = pd.read_excel(excel_name)
    for row in data.itertuples():
        # Index：索引, Name：字段名
        print(row.Index, row.Name)


if __name__ == '__main__':
    filePath = r'C:\Users\Administrator\Desktop\Temp\1.xlsx'
    read_excel(filePath)
鱼丸丶粗面
关注
  • 43
    点赞
  • 踩
  • 148
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
【python pandas】读取和操作 Excel 表格内容
qq_43799400的博客
05-12 815
pandas读取和操作excel表格
Python使用Pandas库常见操作详解
12-23
本文实例讲述了Python使用Pandas库常见操作。分享给大家供大家参考，具体如下： 1、概述 Pandas 是Python的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。Pandas常用于处理带行列标签的矩阵数据、与 SQL 或 Excel 表类似的表格数据，应用于金融、统计、社会科学、工程等领域里的数据整理与清洗、数据分析与建模、数据可视化与制表等工作。 数据类型：Pandas 不改变原始的输入数据，而是复制数据生成新的对象，有普通对象构成的一维数组成为Series，由Series构成的二维数组表称为DataFrame，其行被称为index
Pandas教程：近万字讲解在Pandas中如何操作Excel
最新发布
复现的博客
07-18 3198
在数据分析和处理领域，Excel文件是常见的数据存储格式之一。Pandas库提供了强大的功能来读取、处理和写入Excel文件。本文将详细介绍如何使用Pandas操作Excel文件，包括读取、数据清洗、数据操作和写入等步骤。
Python 解决中文写入Excel时抛异常的问题
09-20
下面小编就为大家分享一篇Python 解决中文写入Excel时抛异常的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Python对Excel操作详解.doc
04-11
Python对Excel操作详解
python 使用pandas操作EXCEL表格数据
02-05
使用ipython pandas源代码，实现EXCEL表格操作，适合做EXEL，批量大表的操作。简单易懂，配有函数说明。
Python自动化办公篇—pandas操作Excel：读取+查看+选择+清洗+排序+筛选+函数+写入
weixin_42636075的博客
06-18 2813
Python自动化办公篇—pandas操作Excel：读取+查看+选择+清洗+排序+筛选+函数+写入
【Python办公自动化】用Pandas库自动化操作Excel
Python单行客的博客
04-22 1969
【Python办公自动化】用Pandas库自动化操作Excel
python pandas操作excel表
qq_39224439的博客
11-27 521
原始excel表 要转换成的excel表 代码 import pandas as pd class Daletou(object): def __init__(self): # 读取excel表的哪几列 self.lie = 'A,B,C,D,E,F' # renpan self.ren_wen_pan =...
Python用Pandas读写Excel
gdjlc的专栏
08-25 933
Pandas是python的一个数据分析包，纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。 Pandas提供了大量能使我们快速便捷地处理数据的函数和方法。 Pandas官方文档：https://pandas.pydata.org/pandas-docs/stable/ Pandas中文文档：https://www.pypandas.cn 一、安装包 pandas处理...
Python利用pandas处理Excel数据的应用详解
09-19
主要介绍了Python利用pandas处理Excel数据的应用详解，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
Python pandas实现excel工作表合并功能详解
09-18
在标题“Python pandas实现excel工作表合并功能详解”中，所涉及的知识点包括如何利用pandas库中的函数和方法来实现将多个excel工作表的内容合并到一个工作表中的具体操作。具体来说，需要掌握以下几点： 1. 导入...
python pandas写入excel文件的方法示例
09-19
### Python Pandas 写入 Excel 文件的方法详解 #### 引言 Pandas 是 Python 中一个强大的数据分析库，它提供了一套高效的操作大型数据集所需的工具。在数据处理过程中，经常需要将数据导出到 Excel 文件中，以方便...
Python pandas常用函数详解
09-20
Python pandas是一个开源的、开源的Python数据分析库，其广泛用于数据分析和处理，尤其是用于数据清洗、分析和可视化。本文将详细介绍一些pandas库中常用的关键函数及其用法，包括文件读取、数据预处理、数据筛选等...
Python数据分析篇：pandas之Excel详解
人不风流枉少年
01-06 9113
pandas操作excel详解
使用Pandas处理Excel文件
python收藏家的博客
08-19 3892
Excel工作表是非常本能和用户友好的，这使得它们非常适合操作大型数据集，即使是技术人员也不例外。如果您正在寻找学习使用Python在Excel文件中操作和自动化内容的地方，请不要再找了。你来对地方了。在本文中，您将学习如何使用Pandas来处理Excel电子表格。
Python pandas 操作 excel 详解_pandas处理excel
2401_84009626的博客
04-07 686
【代码】Python pandas 操作 excel 详解_pandas处理excel。
python之pandas xmind详解
07-08
### 回答1： Pandas是Python编程语言的一个开源数据分析和数据处理库。它提供了丰富的数据结构和功能，使得数据分析任务更加简单和高效。而Xmind是一种思维导图工具，可以帮助用户组织和展示复杂概念和信息。 Pandas库结合了NumPy的功能和扩展了更高级的数据结构，最重要的是它的数据结构--Dataframe。Dataframe是一个二维的表格型数据结构，类似于数据库表或Excel中的表格。它提供了各种方法来处理和操纵这些表格数据，包括数据的索引、选择、过滤、排序、分组等。 使用Pandas库可以读取和写入多种数据格式，如CSV、Excel、SQL数据库等。通过Pandas的数据结构，用户可以进行数据清洗和转换，处理缺失数据、重复数据、异常数据等。此外，Pandas还提供了强大的时间序列处理功能，可以进行时间索引、频率转换、滞后、移动窗口等操作。 在数据分析方面，Pandas提供了各种统计计算的方法，如平均值、标准差、协方差、相关系数等。同时，Pandas库还能够进行数据可视化，通过绘图的方式展示数据的分布、趋势和关联关系。这使得数据分析师可以更加直观地理解和解释数据。 Xmind是一种用于创建思维导图的工具，它可以将复杂的概念和信息以图形化的方式展示出来。思维导图可以帮助用户整理和梳理思路，帮助用户更好地理解和记忆知识。在使用Pandas进行数据分析时，可以使用Xmind来记录和整理自己的数据分析过程，包括数据处理的步骤、分析的结果和相关的观察或发现。这样可以帮助用户更好地管理和沟通数据分析的过程和结果。 总结来说，Pandas是一个功能强大的数据分析和处理库，通过其丰富的数据结构和方法，可以简化和高效完成各种数据分析任务。而Xmind则是一种思维导图工具，能够帮助用户整理和展示复杂概念和信息，方便用户将数据分析过程和结果进行可视化和整理。使用Pandas和Xmind可以让数据分析任务更加简单和直观。 ### 回答2： Pandas是一个开源的Python数据分析库，它提供了丰富的数据结构和数据分析工具，使得数据处理更加简单、高效。而Pandas库中的核心数据结构是DataFrame，可以理解为一个二维的表格数据，类似于Excel中的数据表。Xmind是一款思维导图软件，可以帮助我们更好地组织和展示思维。 Pandas可以通过Xmind来进行详解，主要包括以下几个方面： 1. DataFrame的创建和基本操作：可以通过读取文件、字典、Numpy数组等方式来创建DataFrame，然后可以进行数据的选取、切片、筛选等操作。 2. 数据的清洗和处理：Pandas提供了强大的数据清洗和处理功能，可以用来处理缺失数据、重复数据以及异常值。也可以进行数据的合并、拆分、排序等操作，以及字符串、时间序列、数值等类型的转换。 3. 数据的分组和聚合：Pandas的分组和聚合功能非常强大，可以进行按列或者按行的分组操作，然后对每一组数据进行一些聚合操作，如求和、计数、平均值等。这样可以更好地了解数据的分布和概况。 4. 数据的可视化：Pandas可以配合Matplotlib等数据可视化工具，对数据进行绘图和可视化操作。可以绘制线图、柱状图、饼图等各种图表，更直观地展示数据的特征和趋势。 综上所述，使用Pandas库可以更方便地进行数据分析和处理，而通过Xmind来详细说明Pandas的各种功能和操作，能够更好地帮助用户理解和应用这些功能，从而更高效地进行数据分析和处理。 ### 回答3： Pandas是一个Python库，专门用于数据分析和数据操作。它提供了高效的数据结构和数据分析工具，使得使用Python进行数据处理变得更加方便和快速。而Xmind是一款脑图软件，用于整理和组织复杂的思维结构。 Pandas提供的数据结构主要包括两种：Series和DataFrame。Series是一维的带有标签的数组，类似于传统的数组或列表。每个元素都有唯一的标签，可以通过标签进行索引取值，方便进行数据查找和操作。DataFrame则是二维的表格型数据结构，类似于关系型数据库中的表。它由多个Series组成，每个Series代表一列数据。DataFrame可以进行行列索引、数据选择和过滤，方便进行数据的清洗和分析。 Pandas提供了丰富的数据操作和分析工具。可以进行数据的读取、清洗、转换和处理。可以对数据进行切片、聚合、排序和合并等操作。还可以对数据进行统计分析、绘图和可视化。Pandas还支持对缺失数据的处理，能够灵活处理数据中的空值，并进行填充或删除操作。 Xmind是一款强大的思维导图软件，可以帮助用户将复杂的信息整理、组织和展示。用户可以使用Xmind创建思维导图来表示数据结构、函数关系、工作流程等。通过将Python中的Pandas库和Xmind结合使用，可以更好地理解和展示数据分析的过程。可以使用脑图绘制数据处理流程图，方便团队内部的交流和理解。同时，可以使用脑图来整理数据分析中的关键知识点和技巧，方便进行知识传递和分享。 综上所述，Python的Pandas库提供了便捷的数据处理和分析工具，而Xmind则可以辅助整理和展示数据分析的过程和结果。两者结合使用，可以帮助用户更好地进行数据分析和可视化。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

鱼丸丶粗面

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值