两个使用 Pandas 读取异常数据结构 Excel 的方法，拿走不谢！

周萝卜

发布于 2021-10-25 10:34:50

1.2K0

发布于 2021-10-25 10:34:50

通常情况下，我们使用 Pandas 来读取 Excel 数据，可以很方便的把数据转化为 DataFrame 类型。但是现实情况往往很骨干，当我们遇到结构不是特别良好的 Excel 的时候，常规的 Pandas 读取操作就不怎么好用了，今天我们就来看两个读取非常规结构 Excel 数据的例子

本文使用的测试 Excel 内容如下

文末可以获取到该文件

指定列读取

一般情况下，我们使用 read_excel 函数读取 Excel 数据时，都是默认从第 A 列开始读取的，但是对于某些 Excel 数据，往往不是从第 A 列就有数据的，此时我们需要参数 usecols 来进行规避处理

比如上面的 Excel 数据，如果我们直接使用 read_excel(src_file) 读取，会得到如下结果

我们得到了很多未命名的列以及很多我们根本不需要的列数据

此时我们可以通过 usecols 来指定读取哪些列数据

from pathlib import Path
src_file = Path.cwd() /  'shipping_tables.xlsx'

df = pd.read_excel(src_file, header=1, usecols='B:F')

可以看到生成的 DataFrame 中只包含我们需要的数据，特意排除了 notes 列和 date 字段

usecols 可以接受一个 Excel 列的范围，例如 B:F 并仅读取这些列，header 参数需要一个定义标题列的整数，它的索引从0开始，所以我们传入 1，也就是 Excel 中的第 2 行

我们也可以将列定义为数字列表

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

也可以通过列名称来选择所需的列数据

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

这种做法在列的顺序改变但是列的名称不变的时候非常有用

最后，usecols 还可以接受一个可调用的函数

def column_check(x):
    if 'unnamed' in x.lower():
        return False
    if 'priority' in x.lower():
        return False
    if 'order' in x.lower():
        return True
    return True

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

该函数将按名称解析每一列，并且必须为每一列返回 True 或 False

当然也可以使用 lambda 表达式

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

范围和表格

在某些情况下，Excel 中的数据可能会更加不确定，在我们的 Excel 数据中，我们有一个想要读取的名为 ship_cost 的表，这该怎么获取呢

在这种情况下，我们可以直接使用 openpyxl 来解析 Excel 文件并将数据转换为 pandas DataFrame

以下是使用 openpyxl（安装后）读取 Excel 文件的方法：

from openpyxl import load_workbook
import pandas as pd
from pathlib import Path
src_file = src_file = Path.cwd() / 'shipping_tables.xlsx'

wb = load_workbook(filename = src_file)

查看所有的 sheet 页，获取某个 sheet 页，获取 Excel 范围数据

wb.sheetnames
sheet = wb['shipping_rates']
lookup_table = sheet.tables['ship_cost']
lookup_table.ref

现在我们以及知道要加载的数据范围了，接下来就是将该范围转换为 Pandas DataFrame

# 获取数据范围
data = sheet[lookup_table.ref]
rows_list = []

# 循环获取数据
for row in data:
    cols = []
    for col in row:
        cols.append(col.value)
    rows_list.append(cols)


df = pd.DataFrame(data=rows_list[1:], index=None, columns=rows_list[0])