Pandas.read_excel详解

基础知识

pandas 可以读取多种的数据格式，针对excel来说，可以使用read_excel()读取数据，如下：

import pandas as pd
df=pd.read_excel('test_xls')
print(df.head())

但是，值得注意的是：pandas在读取excel文件的时候需要调用读取第三方库(简称 引擎)

举个不太恰当的例子，张三买车得到了一次砸金蛋的机会，他当然不能用手砸，于是他顺手抄起旁边的锤子就砸了一个金蛋。这个例子里面的张三相当于pandas，金蛋就是excel文件，锤子就是读取文件的引擎。

在pandas中支持四种excel的文件读取引擎，我们用的最多的是"xlrd"和"openpyxl"，其中"xlrd"是用来读取".xls"文件的，而"openpyxl"是用来读取".xlsx"及其他07版以后的新格式

其实"xlrd"和"openpyxl"都是python的库，可以单独的安装使用。命令：pip install xlrd

语法

• sheet_name:如果有多张表，这个参数可以用来指定要读取的表，如果不指定，但有多张表，那么就会读取活动的表（active worksheet）
• dtype:如果需要指定列的数据类型，则需要用到这个参数。读取文件时每列都会有默认的推断数据类型，但有时推断的会有问题；比如员工的工号如果是纯数字的，就会被推断成int，这样那些0开头的工号就会读取的有问题，这时我们就需要强制将工号列定义为str类型
• index_col:行索引所在列，详见下面的例子
• header:列名所在的行，详见后面的例子
• usecols:指定需要的列，默认所有的列都读取，如果指定其他的列就不读取

参数详解-index_col

在该代码中，df.head()用来读取数据的前5行，pandas会在读取数据后自动在数据前加一行索引，也就是在YM前面的一列，这个索引一般是用来定位数据的。默认情况下，index_col=None,也就是说默认会添加一列自增的行索引。

如果数据本身有索引列，可以指定第几列为索引，如索引在第一列那我们就写index_col=0,第二列就写index_col=1

**索引可以不唯一，也可以有多层索引（MultiIndex）如果有多层索引，那么index_col需要传入一个数组，**如，df=pd.read_excel('test.xls',index_col=[0,1,3])就是说把第一列，第二列，第四列都作为索引

参数详解-header

如果不指定的话默认自动谈价一行列索引，如果一个数据中出现两个列索引，可以使用header来告诉pandas列索引所在的位置，如header=[0,1]就是告诉pandas第一列和第二列都是列索引

参数详解-usecols

如果不想显示某一列，可以使用usecols参数。代码有三张写法

1. 使用列字母
2. 使用列的位置序号
3. 使用列名称
   
   在以上数据中，使用一下代码有相等的效果

df = pd.read_excel("pf.xlsx",usecols=["A,C:E"])
df = pd.read_excel("pf.xlsx",usecols=[1,3,4,5])
df = pd.read_excel("pf.xlsx",usecols=["YM,CJ2,CJ3,CJ4"])

参数详解-dtype

可以用来修改某一列读取的参数类型，一般在数据读取的时候，读到某一列全部是数据，会默认把该列的数据类型定义为int类型，但是，如果遇到数据是0开头的，就会出现问题，因此，可以使用dtype来定义某一列的数据类型为想要的类型，一般是把int类型定义为str类型读取。如一个学号的数据为001，如果不使用dtype，读取的时候，在终端上显示的就是1，如果使用dtype={"学号" : str }后，输出的结果为001

其他参数

1. na_values:自定义的空值，比如说张三第一学期的语文考试因为某些原因没有靠，成绩那边填写的是“缺考”。那我们就可以设置na_values=[“缺考”]，这样导入后张三第一学期的成绩就会自动被识别为pandas的默认空占位符NaN
2. parse_dates:如果excel表里面的日期列填写的不太规范，可以使用这个参数，告诉pandas哪一列是日期，保证日期格式读取的准确性
3. true_values:指定真值，比如true_values=[“是”],那么，数据中的”是“就会被识别为True
4. false_values:指定假值，比如false_values=[“否”],那么，数据中的”否“就会被识别为False

多表读取

接下来让我们来看另一种情况，上面的例子中，Sheet1和Sheet2放置在同一张表的，如果想要区分为两张表，一般方法是可以读两遍read_excel，搭配sheet_name=[表名]参数。

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches

df1=pd.read_excel('test.xls',sheet_name='Sheet1')
print(df1.head())

df2=pd.read_excel('test.xls',sheet_name='Sheet2')
print(df2.head())

---

顺带提一句如何用pandas写数据到excel

import pandas as pd


# pandas 存储数据到excel
def pd_toexcel(data,filename):
    dfData = { # 用字典设置DataFrame所需数据
        '序号':data[0],
        '项目':data[1],
        '数据':data[2]
    }
    df = pd.DataFrame(dfData) # 创建DataFrame
    df.to_excel(filename,index=False) # 存表，去除原始索引列（0,1,2...）



"""--------------数据用例---------------"""
orderIds=[1,2,3]
items=['A','B','C']
myData=[10,20,30]
testData=[orderIds,items,myData]

filename='write.xlsx'
pd_toexcel(testData,filename)

PS：这里需要用到openpyxl模块