用 Pandas 处理结构不佳的 Excel 文件

简介

用pandas很容易读取Excel文件并将数据转换为DataFrame。然而现实世界中的Excel文件往往构造不佳，在那些数据散落在工作表中的情况下，你可能需要定制读取数据的方式。本文将讨论如何使用pandas和openpyxl来读取这些类型的Excel文件，并干净地将数据转换为适合进一步分析的DataFrame。

问题

pandas 的 read_excel函数在读取Excel工作表方面做得很好。然而，在数据不是从A1单元格开始的连续表格的情况下，结果可能不是你所期望的那样。

比如当你尝试使用 read_excel(src_file)读取下面这个电子表格样本。

你会得到一些下面这样的东西。

这些结果包括很多 Unnamed的列、行内的标题标签以及一些我们不需要的额外列。

Pandas解决方案

对于这个数据集，最简单的解决方案是使用 read_excel()的 header和 usecols参数。尤其是 usecols参数，对于控制你想包括的列非常有用。

如果你想继续学习这些例子，文件在github上。

1. https://github.com/chris1610/pbpython/blob/master/data/shipping_tables.xlsx

下面是一个替代方法，只读取我们需要的数据。

1. import pandas as pd

2. from pathlib importPath

3. src_file