Python Data Science 简明教程

Python - Processing XLS Data

Microsoft Excel 是一款使用非常广泛的电子表格程序。其用户友好性以及吸引人的特性使其成为了数据科学中使用频率非常高的工具。Pandas 库提供了一些功能,我们可以使用这些功能对 Excel 文件进行全面读取,也可以只对选定的数据组的部分进行读取。我们还可以读取其中包含多个工作表的 Excel 文件。我们使用 read_excel 函数从中读取数据。

Input as Excel File

我们在 Windows 操作系统下创建了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。

你可以使用 Windows 操作系统中的 Excel 程序创建此文件。将文件另存为 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

Reading an Excel File

Pandas 库的 read_excel 函数用于将 Excel 文件的内容作为熊猫数据框读取到 Python 环境中。该函数可以通过使用指向文件正确路径来从 OS 中读取文件。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)

当我们执行上面的代码时,它会产生以下结果。请注意该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

Reading Specific Columns and Rows

类似于我们在上一个章节中已经看到的内容,Pandas 库的 read_excel 函数也可用于读取一些特定列和特定行,以读取 CSV 文件。我们为此目的使用了名为 .loc() 的多轴索引方法。我们选择为某些行显示薪水和姓名列。

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']])

当我们执行上面的代码时,它会产生以下结果。

   salary   name
1   515.2    Dan
3   729.0   Ryan
5   578.0  Rasmi

Reading Multiple Excel Sheets

也可以使用名为 ExcelFile 的包装器类的帮助使用 read_excel 函数读取具有不同数据格式的多个工作表。它只将多个工作表读取到内存中一次。在下面的示例中,我们将 sheet1 和 sheet2 读入两个数据框中,并分别打印出来。

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'])

当我们执行上面的代码时,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