Python中Pandas读取修改excel操作攻略（代码示例）-Tutorial Python-php.cn

Rumah

pembangunan bahagian belakang

Tutorial Python

Python中Pandas读取修改excel操作攻略（代码示例）

不言

Feb 20, 2019 pm 02:36 PM

excelpandaspython

本篇文章给大家带来的内容是关于Python中Pandas读取修改excel操作攻略（代码示例），有一定的参考价值，有需要的朋友可以参考一下，希望对你有所帮助。

环境:python 3.6.8

以某米赛尔号举个例子吧:

>>> pd.read_excel('1.xlsx', sheet_name='Sheet2')
     名字   等级 属性1   属性2  天赋
0  四九幻曦  100  自然  None  21
1  圣甲狂战  100  战斗  None   0
2  时空界皇  100   光    次元  27

我们在这里使用了pd.read_excel()函数来读取excel，来看一下read_excel()这个方法的API，这里只截选一部分经常使用的参数:

pd.read_excel(io, sheet_name=0, header=0, names=None, index_col=None, usecols=None)

io:很明显, 是excel文件的路径+名字字符串

(有中文的话python2的老铁需要使用decode()来解码成unicode字符串)
例如:

>>> pd.read_excel('例子'.decode('utf-8))

sheet_name:返回指定的sheet
如果将sheet_name指定为None，则返回全表
如果需要返回多个表, 可以将sheet_name指定为一个列表, 例如['sheet1', 'sheet2']
可以根据sheet的名字字符串或索引来值指定所要选取的sheet

>>> # 如:
>>> pd.read_excel('1.xlsx', sheet_name=0)
>>> pd.read_excel('1.xlsx', sheet_name='Sheet1')
>>> # 返回的是相同的 DataFrame

header:指定数据表的表头,默认值为0, 即将第一行作为表头

usecols：读取指定的列, 也可以通过名字或索引值

>>> # 如:
>>> pd.read_excel('1.xlsx', sheet_name=1, usecols=['等级', '属性1'])
>>> pd.read_excel('1.xlsx', sheet_name=1, usecols=[1,2])
>>> # 返回的是相同的 DataFrame

直到某一天泰格尔升了一级, 可以这样改一下, 当然用.iloc或.loc对象都可以

>>> # 读取文件
>>> data = pd.read_excel("1.xlsx", sheet_name="Sheet1")

>>> # 找到 等级 这一列，再在这一列中进行比较
>>> data['等级'][data['名字'] == '泰格尔'] += 1
>>> print(data)

LOOK！他升级了！！

>>> data
     名字   等级 属性1   属性2  天赋
0  艾欧里娅  100  自然     冰  29
1   泰格尔   81   电    战斗  16
2  布鲁克克  100   水  None  28

现在我们将它保存

data.to_excel('1.xlsx', sheet_name='Sheet1', index=False, header=True)

index:默认为True, 是否加行索引, 直接上图吧！

左为False, 右为True

header:默认为True, 是否加列标, 上图吧！
左为False, 右为True

而io, sheet_name参数用法同函数pd.read_excel()

如果我们多捕捉几只或者多加几种属性怎么办呢？这里给出参考：

新增列数据：
data['列名称'] = [值1, 值2, ......]

>>> data['特性'] = ['瞬杀', 'None', '炎火']
>>> data
     名字   等级 属性1   属性2  天赋    特性
0  艾欧里娅  100  自然     冰  29    瞬杀
1   泰格尔   80   电    战斗  16  None
2  布鲁克克  100   水  None  28    炎火

新增行数据，这里行的num为excel中自动给行加的id数值
data.loc[行的num] = [值1，值2， ...], (注意与.iloc的区别)

>>> data.loc[3] = ['小火猴', 1, '火', 'None', 31, 'None']
>>> data
     名字   等级 属性1   属性2  天赋    特性
0  艾欧里娅  100  自然     冰  29    瞬杀
1   泰格尔   80   电    战斗  16  None
2  布鲁克克  100   水  None  28    炎火
3   小火猴    1   火  None  31  None

说完了增加一行或一列，那怎样删除一行或一列呢？可以使用.drop()函数

>>> # 删除列, 需要指定axis为1，当删除行时，axis为0
>>> data = data.drop('属性1', axis=1) # 删除`属性1`列
>>> data
     名字   等级   属性2  天赋    特性
0  艾欧里娅  100     冰  29    瞬杀
1   泰格尔   80    战斗  16  None
2  布鲁克克  100  None  28    炎火
3   小火猴    1  None  31  None

>>> # 删除第3,4行，这里下表以0开始，并且标题行不算在类, axis用法同上
>>> data = data.drop([2, 3], axis=0)
>>> data
     名字   等级 属性2  天赋    特性
0  艾欧里娅  100   冰  29    瞬杀
1   泰格尔   80  战斗  16  None

>>> # 保存
>>> data.to_excel('2.xlsx', sheet_name='Sheet1', index=False, header=True)

Atas ialah kandungan terperinci Python中Pandas读取修改excel操作攻略（代码示例）. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan

Artikel ini dikembalikan pada:segmentfault. Jika ada pelanggaran, sila hubungi admin@php.cn Padam

Artikel Berkaitan

Bagaimana anda mengendalikan data yang hilang dalam data data pandas menggunakan python?Aug 31, 2025 am 04:57 AM

Pemprosesan data yang hilang memerlukan pengesanan sebelum memilih kaedah penghapusan, pengisian atau interpolasi. Khususnya, ia harus ditentukan berdasarkan ciri -ciri data dan matlamat analisis. Pandas menyediakan alat seperti .isna (), dropna (), fillna () dan interpolate () untuk menyokong proses pemprosesan lengkap.

Cara Menapis Elemen dari Urutan dengan Fungsi Penapis di PythonAug 31, 2025 am 04:18 AM

Fungsi penapis Python () digunakan untuk menapis unsur -unsur yang memenuhi syarat dari urutan. Ia menerima fungsi penghakiman dan objek yang boleh dimakan dan mengembalikan iterator yang terdiri daripada unsur -unsur yang memenuhi syarat -syarat. Sebagai contoh, menggunakan Lambdax: x%2 == 0 untuk menapis nombor walaupun, dengan hasilnya [2,4,6,8]; Melalui fungsi tersuai is_long_word, kata -kata dengan panjang lebih besar daripada 5 dapat dikekalkan, dan ['gajah', 'hippopotamus'] dapat diperoleh; Apabila tidak ada yang digunakan sebagai parameter fungsi, penapis () secara automatik akan menapis nilai palsu dalam data, seperti 0, rentetan kosong, tiada, dan lain -lain, dan akhirnya mengekalkan [1, 'hello', 'dunia', [1,2], benar

Selesaikan kesilapan kompilasi bcolz dalam pemasangan zipline: Panduan Konfigurasi Persekitaran DockerAug 31, 2025 am 02:54 AM

Dokumen ini bertujuan untuk menyelesaikan kesilapan kompilasi BCOLZ yang dihadapi semasa memasang zipline dalam persekitaran Docker. Masalah ini boleh dielakkan dengan berkesan dengan menurunkan versi Cython dan memasang PIP dengan get-pip.py. Pada masa yang sama, penyelesaian untuk menggantikan imej asas disediakan untuk kemungkinan ralat blosc. Tutorial ini menyediakan contoh konfigurasi dockerfile terperinci untuk membantu pengguna menyelesaikan pemasangan zipline dengan lancar.

Bagaimana Membina Aplikasi Web Dengan Rangka Kerja Python dan Django?Aug 31, 2025 am 01:37 AM

Mula-mula memasang Django dan DRF dan buat projek, kemudian tentukan model, serializer dan API View, kemudian konfigurasikan routing URL dan jalankan API ujian pelayan, dan akhirnya menambah pengesahan dan integrasi front-end. 1. Gunakan Venv untuk mewujudkan persekitaran maya dan memasang Django dan DjangorestFramework; 2. Buat projek dan aplikasi Django, dan tambahkan aplikasi dan REST_FRAMEWORK ke Pasang_Apps; 3. Tentukan model tugas dan laksanakan Makemigrasi dan berhijrah; 4. Buat Serializer Taskserializer; 5. Gunakan ListCreatePiview

Amalan terbaik untuk mengisi tiada nilai antara nilai tertentu dalam Pandas DataFrameAug 31, 2025 am 12:27 AM

Artikel ini bertujuan untuk menerangkan cara menggunakan panda untuk mengisi nilai tiada antara dua nilai unik tertentu dalam data data (seperti 'a' dan 'b') untuk memastikan tidak ada 'a' atau 'b' berturut -turut dalam lajur. Kami akan mengelakkan menggunakan gelung dan sebaliknya menggunakan fungsi terbina dalam pandas, peralihan, dan indeks Boolean untuk mencapai matlamat kami, menyediakan penyelesaian yang cekap dan ringkas.

Padankan entri log JSON dari fail CSV menggunakan python dan ekstrak maklumat yang relevanAug 30, 2025 pm 06:12 PM

Artikel ini memperkenalkan secara terperinci bagaimana menggunakan Python untuk memproses data dalam dua format CSV dan JSON yang berbeza, dan menyedari keperluan penapisan dan pengekstrakan penyertaan log yang sepadan dari fail log JSON berdasarkan maklumat utama seperti alamat IP dan cap waktu di CSV. Tutorial ini meliputi pautan utama seperti bacaan data, pembinaan logik yang sepadan, kod sampel dan pengoptimuman prestasi, dan bertujuan untuk membantu pembaca berkorelasi dengan cekap dan menganalisis data heterogen.

Reprojection Imej dengan GDAL: Tutorial Pembetulan Ketepatan mengenai titik kawalanAug 30, 2025 pm 06:06 PM

Dokumen ini bertujuan untuk membimbing pembaca untuk menggunakan Perpustakaan GDAS untuk memulihkan imej dengan menetapkan titik kawalan untuk mencapai pembetulan imej yang tepat. Kami akan menyediakan contoh kod terperinci, menerangkan langkah -langkah utama, dan membincangkan cara mengendalikan format imej yang sama dan bagaimana menyesuaikan sistem koordinat. Dengan mengkaji artikel ini, anda akan dapat menguasai teknik teras menggunakan titik kawalan untuk pembetulan imej dan memohon kepada projek-projek kehidupan sebenar.

Gunakan penyelia untuk menguruskan penggunaan aplikasi di seluruh cawangan gitAug 30, 2025 pm 05:51 PM

Artikel ini bertujuan untuk menerangkan cara menggunakan penyelia untuk menguruskan aplikasi yang digunakan pada cawangan Git yang berbeza. Penyelia itu sendiri tidak secara langsung melihat cawangan Git, tetapi dengan menyemak kod cawangan yang berbeza dalam direktori yang berbeza dan mengkonfigurasi penyelia untuk menguruskan aplikasi dalam direktori yang berbeza, penyelesaian penempatan fleksibel dapat dicapai. Artikel ini akan memperkenalkan langkah -langkah operasi khusus secara terperinci dan memberikan konfigurasi contoh.

See all articles