Python 之 pandas数据处理(excel文件整合)

读取文件夹下面的所有文件

file_path=(r'D:\360极速浏览器下载\韩城服务区8月车流量\8.'+str(i)+'.xls')
Z1 = pd.read_excel(file_path)

import pandas as pd
import numpy as np
file_path=(r'D:\360极速浏览器下载\2020-3-20  服务区数据 文件\2020-3-20  服务区数据+文件\2019-12 所有数据汇总\所有收集数据汇总\2 韩城-卡口数据\韩城服务区8月车流量-原始数据\韩城服务区8月车流量\8.1.xls')
Z1 = pd.read_excel(file_path)
for i in range(2,32):
    file_path=(r'D:\360极速浏览器下载\2020-3-20  服务区数据 文件\2020-3-20  服务区数据+文件\2019-12 所有数据汇总\所有收集数据汇总\2 韩城-卡口数据\韩城服务区8月车流量-原始数据\韩城服务区8月车流量\8.'+str(i)+'.xls')
    print(file_path)
    X = pd.read_excel(file_path)
    Z1 = pd.concat([Z1,X])

print(Z1)

X = pd.read_excel(r'C:\Users\thinkpad\Desktop\服务区\韩城\韩城6月卡口.xlsx',sheet_name=1)

sheet_name=0 1 2 3 分别对应不同的sheet

concat函数

In [1]: df1 = pd.DataFrame({'A': ['A0', 'A1', 'A2', 'A3'],
   ...:                     'B': ['B0', 'B1', 'B2', 'B3'],
   ...:                     'C': ['C0', 'C1', 'C2', 'C3'],
   ...:                     'D': ['D0', 'D1', 'D2', 'D3']},
   ...:                     index=[0, 1, 2, 3])
   ...: 
 
In [2]: df2 = pd.DataFrame({'A': ['A4', 'A5', 'A6', 'A7'],
   ...:                     'B': ['B4', 'B5', 'B6', 'B7'],
   ...:                     'C': ['C4', 'C5', 'C6', 'C7'],
   ...:                     'D': ['D4', 'D5', 'D6', 'D7']},
   ...:                      index=[4, 5, 6, 7])
   ...: 
 
In [3]: df3 = pd.DataFrame({'A': ['A8', 'A9', 'A10', 'A11'],
   ...:                     'B': ['B8', 'B9', 'B10', 'B11'],
   ...:                     'C': ['C8', 'C9', 'C10', 'C11'],
   ...:                     'D': ['D8', 'D9', 'D10', 'D11']},
   ...:                     index=[8, 9, 10, 11])
   ...: 
 
In [4]: frames = [df1, df2, df3]
 
In [5]: result = pd.concat(frames)

统计每个月每天每小时的车辆个数

year_sum=X.过车时间.dt.year.value_counts()

month_sum=X.过车时间.dt.month.value_counts()
day_sum=X.过车时间.dt.day.value_counts()

#print(day_sum)
print(day_sum[1])
print(type(day_sum[1]))

print(type(len(day_sum)))

num = 0
num1= 0
num1 = day_sum[1]+num1
x=X.iloc[num-day_sum[1]:num1,:] 
x['hour']=x['过车时间'].dt.hour
    
m1=x.groupby(['hour']).count()
for i in range(1,len(day_sum)+1):       
    num = day_sum[i]+num
    x1=X.iloc[num-day_sum[i]:num,:] 
    
    groups=x1.groupby(['hour']).count()
    day_time=x1.groupby(['day']).count()
    year_time=x1.groupby(['year']).count()
    month_time=x1.groupby(['month']).count()
    
    #print(groups['day'])
    m1 = pd.concat([m1,groups])
print(m1['day'])
print(type(m1['day']))
print(m1)
#print(month_time)


writer1 = pd.ExcelWriter('面包车_Excel.xlsx')
m1.to_excel(writer1,'page_1',float_format='%.5f') # float_format 控制精度
writer1.save()
    

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Pandas是一个强大的用于数据处理和分析的Python库,它提供了灵活的数据结构和功能丰富的工具,可以帮助我们轻松地进行数据处理、清洗、转换和分析。 Pandas库提供了两种主要的数据结构,即序列(Series)和数据框(DataFrame)。序列是一种一维的数据结构,可以存储不同类型的数据,并且每个数据都有一个索引。数据框是二维的表格型数据结构,可以将多个序列整合在一个表格中,每一列可以有不同的数据类型。 通过使用Pandas,我们可以方便地从各种数据源(包括CSV、Excel数据库等)中读取数据,然后对数据进行处理和分析。Pandas提供了各种功能,如数据清洗(处理缺失值、重复值、异常值等),数据转换(合并、拆分、排序等),以及数据分析(统计分析、数据透视表、时间序列分析等)。 对于数据处理和分析,Pandas提供了丰富的函数和方法,例如可以通过使用筛选条件、索引、切片等操作来选取和修改数据,还可以进行数据的聚合、分组和操作。此外,Pandas还可以与其他Python库(如NumPy、Matplotlib)相结合使用,进一步拓展数据处理和分析的功能。 Pandas数据处理与分析的相关资源可以通过PDF文档和各类网盘进行下载和存储。通过阅读Pandas的官方文档,可以了解到Pandas提供的各种功能、方法和使用技巧。同时,许多网盘上也收集了大量的Pandas相关资料和教程,可以为我们学习和使用Pandas提供便利。 总之,Pandas是一个功能强大的Python库,对于数据处理和分析非常有用。通过阅读Pandas的相关文档和教程,以及利用网络资源中的PDF和网盘存储,我们可以更好地掌握Pandas使用技巧,并在实际的数据处理和分析工作中发挥其作用。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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