R读写Excel文件中数据的方法

         用R语言读写Excel的方法有很多，但每种方法都有让人头疼的地方，如xlsx包的代码复杂，只支持Excel2007；RODBC不易理解，限制太多，程序不稳定，会出各种怪毛病。另存为csv格式的方法倒是比较通用比较稳定，但又存在操作麻烦，无法程序化处理多个文件的问题。提取xml也是个办法，但步骤太多代码太复杂，令人望而生畏。用剪贴板转换也不好，这同样需要人工参与，还不如存为csv。

         相比之下，用gdata包来读取，配合WriteXLS写入Excel则可以很好的避开上述麻烦。这两个包都支持Excel2003和Excel2007，运行稳定，代码简单直观，也不需要人工参与。下面用一个例子来说明这两个函数包读写Excel的方法。

目标：

         ordersData目录下有多个结构相同的Excel文件，有些是Excel2007格式，有些是Excel2003格式，这些文件存储着历年来的销售订单。请读取这些文件，并统计出每个客户的总销售额，最后将结果写入result.xlsx。下面是2011.xlsx的部分数据：

代码：

library(gdata)
library(WriteXLS)
setwd("E: /ordersData")
fileList<-dir()
orders<-read.xls(fileList[1])
for (file in fileList[2:length(fileList)]){
  orders<-rbind(orders,read.xls(file))
}
result<-aggregate(orders[,4], orders[c(2)],sum)  
WriteXLS("result","result.xlsx")

         result.xlsx中的部分数据如下：

     代码解读
1、library(gdata)和library(WriteXLS)这两句代码用来引入第三方函数包，这两个包具有read.xls和WriteXLS函数，可以分别执行读取和写入Excel的动作。
2、fileList<-dir()这句代码列出了目录内的所有文件，之后的for语句则是循环读取文件，并将数据拼合到数据框orders中。如果目录内有其他文件，则应当用通配符来过滤。
3、result<-aggregate(orders[,4], orders[c(2)],sum)，这句代码用来执行分组汇总，其中orders[,4]代表汇总列（即Amount），orders[c(2)]代表分组列（即Client）。
4、read.xls和WriteXLS虽然来自于不同的包，但都支持data.frame数据类型，因此可以很好的配合起来。另外，read.xls函数可以自动识别Excel2003和Excel2007格式，使用起来非常方便。
5 整段代码都很简洁，初学者可以轻松掌握。

注意事项：
1. 版本
gdata和WriteXLS不是R语言自带的库函数，而是第三方包，因此需要额外下载安装。另外，这两个函数包都会用到Perl环境，因此挑选合适版本的Perl尤为重要。经过尝试，当R语言的版本是2.15.0时，gdata最匹配的版本是2.13.3，WriteXLS的版本号则是3.5.0，但用最新的Perl环境与之配合时会出问题，需要使用旧一点的5.14.2版本才行，否则会报以下错误：
Error in xls2sep(xls, sheet, verbose = verbose, ..., method = method,  : 
  Intermediate file 'C:\Users\Thim\AppData\Local\Temp\RtmpMHvLZS\file224060624738.csv' missing!
2. 性能
读写小文件没问题，但读写稍大些的文件时会发现gdata和WriteXLS的性能极差（这也许是Perl的原因）,比如读一个8列20万行的Excel就需要8到10分钟。如果特别关注性能，可以使用xlsx函数包。当然，这样一来就无法支持Excel2003了。事实上，xlsx的性能并不比gdata强太多，真正要解决性能问题，还是应当将所有的Excel文件都转为2007格式，并解压出里面的xml文件，通过解析xml文件来读取数据。


替代方案
对于R语言中存在的版本冲突和性能问题，我们也可以使用Python、集算器、Perl等语言来解决。和R语言一样，它们都可以读写Excel文件并进行数据计算。下面简单介绍集算器和Python的解决方案。
集算器已将访问EXCEL的功能打入安装包，无需单独下载第三方包，支持读写Excel2003和Excel2007，对更老的版本以及Excel2010也支持。代码如下：

集算器的性能也不错，读一个8列20万行的Excel只需20到30秒。


Python的性能相当优异，但和R类似的是也要用第三方包。本来使用pandas包应当能很简单地完成xls文件的读写任务，但在windows下一直没有安装成功（毕竟xls文件主要在windows下产生），最后用xlrd和xlwt3这两个包配合才实现本算法，这两个包只支持Excel2003，代码也复杂了许多：
import xlwt3
import xlrd
from itertools import groupby
from operator import itemgetter
import os
dir="E:/ ordersData/"
fileList =os.listdir(dir)
rowList = []
for f in fileList:
    book=xlrd.open_workbook(dir+f) #循环打开只读的workbook
    sheet=book.sheet_by_index(0)
    nrows = sheet.nrows
    ncols = sheet.ncols
    for i in range(1,nrows):
        row_data = sheet.row_values(i)
        rowList.append(row_data) #所有的记录都追加到rowList里
rowList=sorted(rowList,key=lambda x:(x[1])) #分组前的排序
result=[]
for key, items in groupby(rowList, itemgetter(1)): #使用groupby函数分组
    value1=0
    for subItem in items:value1+=subItem[3]
    result.append([key,value1]) #最后把汇总结果拼成二维数组
wBook=xlwt3.Workbook() #新建可写的workbook
wSheet=wBook.add_sheet("sheet 1")
wSheet.write(0,0,"Client")
wSheet.write(0,1,"Sum")
for row in range(len(result)): #循环写入数据
    wSheet.write(row+1,0,result[row][0])
    wSheet.write(row+1,1,result[row][1])
wBook.save(dir+"result.xls") #保存文件

这个方案要比R语言难用多了。