6000字 “保姆级” 教程 | 讲述Pandas库的数据读取数据获取数据拼接数据写出！

Posted 2021-05-21 数据分析与统计学之美

1. pandas介绍

Pandas是一个强大的数据分析库，它的Series和DataFrame数据结构，使得处理起二维表格数据变得非常简单。

基于后面需要对Excel表格数据进行处理，有时候使用Pandas库处理表格数据，会更容易、更简单，因此我这里必须要讲述。

Pandas库是一个内容极其丰富的库，这里并不会面面俱到。我这里主要讲述的是如何利用Pandas库完成 “表格读取”、“表格取数” 和 “表格合并” 的任务。其实Pandas能实现的功能，远远不止这些，关于利用该库如何实现数据清晰和图表制作，不是本书的研究范围，大家可以下去好好学习这个库。

在使用这个库之前，需要先导入这个库。为了使用方便，习惯性给这个库起一个别名pd，本书中只要是见到pd，指的都是Pandas。

2. Excel数据的读取

Pandas支持读取csv、excel、json、html、数据库等各种形式的数据，非常强大。但是我们这里仅以读取excel文件为例，讲述如何使用Pandas库读取本地的excel文件。

在Pandas库中，读取excel文件使用的是pd.read_excel()函数，这个函数强大的原因是由于有很多参数供我们使用，是我们读取excel文件更方便。在这里我们仅仅讲述sheet_name、header、usecols和names四个常用参数。

① sheet_name参数详解

我们知道一个excel文件是一个工作簿，一个工作簿有多个sheet表，每个sheet表中是一个表格数据。sheet_name参数就是帮助我们选择要读取的sheet表，具体用法如下。

sheet_name=正整数值，等于0表示读取第一个sheet表，等于1表示读取第二个sheet表，以此类推下去。

sheet_name=”sheet名称”，我们可以利用每张sheet表的名称，读取到不同的sheet表，更方便灵活。

注意：如果不指定该参数，那么默认读取的是第一个sheet表。

用法1：sheet_name=正整数值

df = pd.read_excel("readexcel.xlsx",sheet_name=1)
df

结果如下：

用法2：sheet_name=”sheet名称”

df = pd.read_excel("readexcel.xlsx",sheet_name="考试成绩表")
df

结果如下：

② header参数详解

有时候待读取的excel文件，可能有标题行，也有可能没有标题行。但是默认都会将第一行读取为标题行，这个对于没有标题行的excel文件来说，显得不太合适了，因此header参数可以很好的解决这个问题。

header=None，主要针对没有标题行的excel文件，系统不会将第一行数据作为标题，而是默认取一个1,2,3…这样的标题。

header=正整数值，指定哪一行作为标题行。

用法1：header=None

df = pd.read_excel("readexcel.xlsx",sheet_name="copy",header=None)
df

结果如下：

用法2：header=正整数值

df = pd.read_excel("readexcel.xlsx",sheet_name="基本信息表",header=1)
df

结果如下：

③ usecols参数详解

当一张表有很多列的时候，如果你仅仅想读取 这张表中的指定列，使用usecols参数是一个很好的选择。

关于usecols参数，这里有多种用法，我们分别进行说明。

usecols=None，表示选择一张表中的所有列，默认情况不指定该参数，也表示选择表中的所有列。

usecols=[A,C]，表示选择A列（第一列）和C列（第三列）。而usecols=[A,C:E]，表示选择A列，C列、D列和E列。

usecols=[0,2]，表示选择第一列和第三列。

# 下面这两行代码，均表示获取前2列的数据
df = pd.read_excel("readexcel.xlsx",sheet_name="考试成绩表",usecols=[1,2])
df = pd.read_excel("readexcel.xlsx",sheet_name="考试成绩表",usecols="A:B")
df

结果如下：

④ names参数详解

如果一张表没有标题行，我们就需要为其指定一个标题，使用names参数，可以在读取数据的时候，为该表指定一个标题。

names=[“列名1”,”列名2”…]：传入一个列表，指明每一列的列名。

name_list = ["学号","姓名","性别","籍贯"]
df = pd.read_excel("readexcel.xlsx",sheet_name="copy",header=None,names=name_list)
df

结果如下：

3. Excel数据的获取

知道怎么读取excel文件中的数据后，接下来我们就要学着如何灵活获取到excel表中任意位置的数据了。

这里我一共提供了5种需要掌握的数据获取方式，分别是 “访问一列或多列” ，“访问一行或多行” ，“访问单元格中某个值” ，“访问多行多列” 。

① 什么是“位置索引”和标签索引

在讲述如何取数之前，我们首先需要理解“位置索引”和“标签索引”这两个概念。

每个表的行索引就是一个“标签索引”，而标识每一行位置的数字就是 “位置索引”，如图所示。

在pandas中，标签索引使用的是loc方法，位置索引用的是iloc方法。接下来就基于图中这张表，来带着大家来学习如何 “取数”。

首先，我们需要先读取这张表中的数据。

df = pd.read_excel("readexcel.xlsx",sheet_name="地区")
df

结果如下：

② 访问一列或多列

“访问一列或多列”，相对来说比较容易，直接采用中括号“标签数组”的方式，就可以获取到一列或多列。

方法1：访问一列

df["武汉"]

方法2：访问多列

df[["武汉","广水"]]

③ 访问一行或多行

“访问一行或多行”，方法就比较多了，因此特别容易出错，因此需要特别注意。

方法1：访问一行

# 位置索引
df.iloc[0]
# 标签索引
df.loc["地区1"]

方法2：访问多行

# 位置索引
df.iloc[[0,1,3]]
# 标签索引
df.loc[["地区1","地区2","地区4"]]

④ 访问单元格中某个值

“访问单元格中某个值”，也有很多种方式，既可以使用“位置索引”，也可以使用“标签索引”。

# 使用位置索引
df.iloc[2,1]
# 使用标签索引
df.loc["地区3","天门"]

⑤ 访问多行多列

“访问多行多列”，方法就更多了。我一共为大家总结了5种方法。第一，iloc+切片；第二种，loc+标签数组；第三种，iloc+切片+位置数组；第四种，loc+切片+标签数组。

方法1：iloc+切片

# 选取前3行数据的所有列
df.iloc[:3,:]

方法2：loc+标签数组

# 选取地区1和地区3这两行的武汉、孝感、广水列
df.loc[["地区1","地区3"],['武汉','孝感','广水']]

方法3：iloc+切片+位置数组

# 选取所有行的第2和第5列数据
df.iloc[:,[1,4]]

方法4：loc+切片+标签数组

# 选取地区1和地区2这两行的武汉和广水列
df.loc[:"地区2":,["武汉","广水"]]

4. Excel数据的拼接

在进行多张表合并的时候，我们需要将多张表的数据，进行纵向（上下）拼接。在pandas中，直接使用pd.concat()函数，就可以完成表的纵向合并。

关于pd.concat()函数，用法其实很简单，里面有一个参数ignore_index需要我们注意，ignore_index=True，表示会忽略原始索引，生成一组新的索引。

如果不使用ignore_index参数

df1 = pd.read_excel("concat.xlsx",sheet_name="Sheet1")
df2 = pd.read_excel("concat.xlsx",sheet_name="Sheet2")
pd.concat([df1,df2],ignore_index=True)

结果如下：

从上表可以看到，里面有两条记录是完全重复的，我们直接可以再调用drop_duplicates()函数，实现去重操作。

df1 = pd.read_excel("concat.xlsx",sheet_name="Sheet1")
df2 = pd.read_excel("concat.xlsx",sheet_name="Sheet2")
pd.concat([df1,df2],ignore_index=True).drop_duplicates()

结果如下：

5. Excel数据写出

当我们将某个Excel文件中的表，进行读取、数据整理等一系列操作后，就需要将处理好的数据，导出到本地。其实Pandas库中可以导出的数据格式有很多种，我们同样以导出xlsx文件为例，进行讲述。

在Pandas库中，将数据导出为xlsx格式，使用的是DataFrame对象的to_excle()方法，其中这里面有4个常用的参数，详情如下。

• excel_writer：表示数据写到哪里去，可以是一个路径，也可以是一个ExcelWriter对象。
• sheet_name：设置导出到本地的Excel文件的Sheet名称。
• index：新导出到本地的文件，默认是有一个从0开始的索引列，设置index=False可以去掉这个索引列。
• columns：选则指定列导出，默认情况是导出所有列。
• encoding：有时候导出的文件会出现乱码的格式，这个时候就需要使用该参数设置文件编码格式。

df1 = pd.read_excel("concat.xlsx",sheet_name="Sheet1")
df2 = pd.read_excel("concat.xlsx",sheet_name="Sheet2")
df3 = pd.concat([df1,df2],ignore_index=True)
df3.to_excel(excel_writer="to_excel.xlsx",sheet_name="to_excel",index=None)

6. ExcelWriter的使用

有时候我们需要将多excel表写入同一个工作簿，这个时候就需要借助Pandas中的pd.ExcelWriter()对象，默认对于xls使用xlwt引擎，对于xlsx使用openpyxl引擎。

这里面有两个参数，一个是路径参数Path，表示生成文件的存放路径，一个是时间格式化参数datetime_format，可以将生成文件中的时间列，按照指定时间格式化输出。

df1 = pd.read_excel("concat.xlsx",sheet_name="Sheet1")
df2 = pd.read_excel("concat.xlsx",sheet_name="Sheet2")
with pd.ExcelWriter("excel_writer.xlsx",datetime_format="YYYY-MM-DD") as writer:
    df1.to_excel(excel_writer=writer,sheet_name="df1",index=None)
    df2.to_excel(excel_writer=writer,sheet_name="df2",index=None)

上面第三行代码，我们打开了一个ExcelWriter对象的同时，将所有设计到时间列的数据，进行格式化输出为年-月-日。

接着第四行代码，我们将df1中的数据写到这个ExcelWriter对象中，将这个Sheet取名为df1。

最后第五行代码，再将df2中的数据写入到这个ExcelWriter对象中，同样将Sheet取名为df1。