Python - 处理XLS数据

Microsoft Excel是一个非常广泛使用的电子表格程序。其用户友好性和吸引人的功能使其成为数据科学中非常常用的工具。Pandas库提供了可以使用其读取整个Excel文件以及仅读取所选数据组部分的功能。我们还可以读取包含多个工作表的Excel文件。我们使用read_excel函数读取其中的数据。

输入为Excel文件

我们在Windows操作系统中创建一个包含多个工作表的Excel文件。不同工作表中的数据如下所示。

您可以使用Windows操作系统中的Excel程序创建此文件。将文件保存为input.xlsx。

# Data in Sheet1

id,name,salary,start_date,dept
1,Rick,623.3,2012-01-01,IT
2,Dan,515.2,2013-09-23,Operations
3,Tusar,611,2014-11-15,IT
4,Ryan,729,2014-05-11,HR
5,Gary,843.25,2015-03-27,Finance
6,Rasmi,578,2013-05-21,IT
7,Pranab,632.8,2013-07-30,Operations
8,Guru,722.5,2014-06-17,Finance

# Data in Sheet2

id	name	zipcode
1	Rick	301224
2	Dan	341255
3	Tusar	297704
4	Ryan	216650
5	Gary	438700
6	Rasmi	665100
7	Pranab	341211
8	Guru	347480

读取Excel文件

Pandas库的read_excel函数用于将Excel文件的内容作为Pandas DataFrame读取到Python环境中。该函数可以通过使用文件的正确路径从操作系统读取文件。默认情况下，该函数将读取Sheet1。

import pandas as pd
data = pd.read_excel('path/input.xlsx')
print (data)

当我们执行上述代码时，它会产生以下结果。请注意，函数如何创建了一个以零开头的附加列作为索引。

   id    name  salary  start_date        dept
0   1    Rick  623.30  2012-01-01          IT
1   2     Dan  515.20  2013-09-23  Operations
2   3   Tusar  611.00  2014-11-15          IT
3   4    Ryan  729.00  2014-05-11          HR
4   5    Gary  843.25  2015-03-27     Finance
5   6   Rasmi  578.00  2013-05-21          IT
6   7  Pranab  632.80  2013-07-30  Operations
7   8    Guru  722.50  2014-06-17     Finance

读取特定列和行

类似于我们在上一章中已经看到的读取CSV文件的方法，Pandas库的read_excel函数也可以用于读取一些特定的列和特定的行。为此，我们使用名为.loc()的多轴索引方法。我们选择显示某些行的工资和姓名列。

import pandas as pd
data = pd.read_excel('path/input.xlsx')

# Use the multi-axes indexing funtion
print (data.loc[[1,3,5],['salary','name']])

当我们执行上述代码时，它会产生以下结果。

   salary   name
1   515.2    Dan
3   729.0   Ryan
5   578.0  Rasmi

读取多个Excel工作表

可以使用带有名为ExcelFile的包装类的read_excel函数读取具有不同数据格式的多个工作表。它只会将多个工作表一次性读取到内存中。在下面的示例中，我们将sheet1和sheet2读取到两个数据框中，并分别打印它们。

import pandas as pd
with pd.ExcelFile('C:/Users/Rasmi/Documents/pydatasci/input.xlsx') as xls:
    df1 = pd.read_excel(xls, 'Sheet1')
    df2 = pd.read_excel(xls, 'Sheet2')

print("****Result Sheet 1****")
print (df1[0:5]['salary'])
print("")
print("***Result Sheet 2****")
print (df2[0:5]['zipcode'])

当我们执行上述代码时，它会产生以下结果。

****Result Sheet 1****
0    623.30
1    515.20
2    611.00
3    729.00
4    843.25
Name: salary, dtype: float64

***Result Sheet 2****
0    301224
1    341255
2    297704
3    216650
4    438700
Name: zipcode, dtype: int64