Python 中利用Pandas处理复杂的Excel数据

关于Excel数据处理，很多同学可能使用过Pyhton的pandas模块，用它可以轻松地读取和转换Excel数据。但是实际中Excel表格结构可能比较杂乱，数据会分散不同的工作表中，而且在表格中分布很乱，这种情况下啊直接使用pandas就会非常吃力。本文虫虫给大家介绍使用pandas和openpyxl读取这样的数据的方法。

问题缘起

pandas read_excel函数在读取Excel工作表方面做得很好。但是，如果数据不是从头开始，不是从单元格A1开始的连续表格，则结果会不是很好。比如下面一个销售表，使用read_excel读取：

读取的结果如下所示：

结果中标题表头变成了Unnamed，而且还会额外增加很多职位NaN列，字段为空的列的值也会被转换为NaN，这显然不是我们所期望的。

header和usecols参数

对这样的非标准格式的表格，我们可以使用read_excel()的header和usecols参数来控制选择的需要读取的列。

1. import pandas as pd 
2. from pathlib import Path 
3. src_file = 'sales.xlsx' 

结果的DataFrame包含了我们期望的数据。

代码中使用header和usecols参数设定了用于显示标题的列和需要读取的字段：

• header参数为一个整数，从0开始索引，其为选择的行，比如1表示Excel中的第2行。
• usecols参数设定选择的Excel列范围范围(A-…)，例如，B:F表示读取B到F列。

在某些情况下，可能希望将列定义为数字列表。比如，可以定义整数列数：

1. df = pd.read_excel(src_file, header=1, usecols=[1,2,3,4,5]) 

这对对大型数据集(例如，每3列或仅偶数列)要遵循一定的数字模式，则这个参数方法会很有用。

usecols还可以设定从列名列表读取。比如上面的例子也可以这样写：

1. df = pd.read_excel( 
2. src_file, 
3. header=1, 
4. usecols=['item_type', 'order id', 'order date', 'state', 'priority']) 

列顺序支持自由选择，这种命名列列表的方式实际中很有用。

usecols支持一个回调函数column_check，可通过该函数对数据进行处理。

下面是一个简单的示例：

1. def column_check(x): 
2.      if 'unnamed' in x.lower(): 
3.            return False 
4.      if 'priority' in x.lower(): 
5.           return False 
6.      if 'order' in x.lower(): 
7.           return True 
8.     return True 

1. df = pd.read_excel(src_file, header=1, usecols=column_check) 

column_check按名称解析每列，每列通过定义True或False，来选择是否读取。

usecols也可以使用lambda表达式。下面的示例中定义的需要显示的字段列表。为了进行比较，通过将名称转换为小写来规范化。

1. cols_to_use = ['item_type', 'order id', 'order date', 'state', 'priority'] 
2. df = pd.read_excel(src_file, 
3. header=1, 
4. usecols=lambda x: x.lower() in cols_to_use) 

回调函数为我们提供了许多灵活性，可以处理Excel文件的实际混乱情况。

关于read_exce函数更多参数可以查看官方文档，下面是一个总结表格：

结合openpyxl

在某些情况下，数据甚至可能在Excel中变得更加复杂。在下面示例中，我们有一个ship_cost要读取的表。如果必须使用这样的文件，那么只用pandas函数和选项也很难做到。在这种情况下，可以直接使用openpyxl解析文件并将数据转换为pandas DataFrame。比如要读取下面示例的数据：

1. from openpyxl import load_workbook 
2. import pandas as pd 
3. from pathlib import Path 
4. src_file = ' sales1.xlsx' 

加载整个工作簿：

1. cc = load_workbook(filename = src_file) 

查看所有工作表：

1. cc.sheetnames 

['sales', 'shipping_rates']

要访问特定的工作表：

1. sheet = cc['shipping_rates'] 

要查看所有命名表的列表：

1. sheet.tables.keys() 

dict_keys(['ship_cost'])

该键对应于Excel中分配给表的名称。这样就可以设定要读取的Excel范围：

1. lookup_table = sheet.tables['ship_cost'] 

1. lookup_table.ref 

'C8:E16'

这样就获得了要加载的数据范围。最后将其转换为pandas DataFrame即可。遍历每一行并转换为DataFrame：

1. data = sheet[lookup_table.ref] 
2. rows_list = [] 
3.  
4. for row in data: 
5. cols = [] 
6. for col in row: 
7. cols.append(col.value) 
8. rows_list.append(cols) 
9.  
10. df = pd.DataFrame(data=rows_list[1:], index=None, columns=rows_list[0]) 

结果数据框：

总结

在理想情况下，使用的数据将采用简单一致的格式。在本文中，我们介绍了在Pandas下通过参数轻松删除行和列以使其格式更加合理。尤其是结合openpyxl的情况下可以让我们读取Excel数据更加灵活，可以处理比较复杂的表格数据。