bootstraptable 怎么在特定行添加数据_手把手教你做一个“渣”数据师，用Python代替老情人Excel...

大数据文摘出品

来源：medium

编译：张大笔茹

十年前，你说你是做数据的，大家的反应就是 —— 用 Excel 做做表。

现在，要成为一个合格的数据分析师，你说你不会 Python，大概率会被江湖人士耻笑。

Medium 上一位博主就分享了他一步步用 Python 替换掉十年前的“老情人”Excel 的过程，一起来学习一下吧！

在 Excel 成为我的“初恋”十年之后，是时候找一个更好的“另一半”了，在这个技术日新月异的时代，更好更薄更轻更快处理数据的选择就在身边！我希望用 Python 取代几乎所有的 excel 功能，无论是简单的筛选还是相对复杂的创建并分析数据和数组。

我将展示从简单到复杂的计算任务。强烈建议你跟着我一起做这些步骤，以便更好地理解它们。

拟写此文的灵感来自于人人可访问的免费教程网站，我曾认真阅读并一直严格遵守这篇 Python 文档，链接如下，相信你也会从该网站中找到很多干货。

GitHub 链接：

https://github.com/ank0409/Ditching-Excel-for-Python

一、导入 excel 文件

初始步骤是将 excel 文件导入 DataFrame，以便我们执行所有任务。我将演示支持xls和xlsx文件扩展名的Pandas的read_excel方法。read_csv与 read_excel 相同，就不做深入讨论了，但我会分享一个例子。

尽管 read_excel 方法包含数百万个参数，但我们只讨论那些在日常操作中最常见的那些。

我们使用 Iris 样本数据集，出于教育目的，该数据集可在线免费使用。

请按照以下链接下载数据，并将其放在与存储 Python 文件的同一文件夹中。

https://archive.ics.uci.edu/ml/datasets/iris

1、第一步是在 Python 中导入库

可以使用以下代码将电子表格数据导入 Python：

pandas.read_excel(io, sheet_name=0, header=0, names=None, index_col=None, parse_cols=None, usecols=None, squeeze=False, dtype=None, engine=None, converters=None, true_values=None, false_values=None, skiprows=None, nrows=None, na_values=None, keep_default_na=True, verbose=False, parse_dates=False, date_parser=None, thousands=None, comment=None, skip_footer=0, skipfooter=0, convert_float=True, mangle_dupe_cols=True, **kwds)

有大量可用的参数，我们来看一下最常用的一些参数。

2、一些重要的 Pandas read_excel 选项

如果默认使用本地文件的路径，用“\”表示，接受用“/”表示，更改斜杠可以将文件添加到 Python 文件所在的文件夹中。如果需要有关上述内容的详细说明，请参阅以下文章。

https://medium.com/@ageitgey/Python-3-quick-tip-the-easy-way-to-deal-with-file-paths-on-windows-mac-and-linux-11a072b58d5f

用 Python 扫描目录中的文件并选择想要的：

3、导入表格

默认情况下，文件中的第一个工作表将按原样导入到数据框中。

使用 sheet_name 参数，可以明确要导入的工作表。文件中的第一个表默认值为