欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

pandas針對(duì)excel處理的實(shí)現(xiàn)

 更新時(shí)間:2021年01月15日 09:52:45   作者:土色無(wú)塵  
這篇文章主要介紹了pandas針對(duì)excel處理的實(shí)現(xiàn),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

本文主要介紹了pandas針對(duì)excel處理的實(shí)現(xiàn),分享給大家,具體如下:

在這里插入圖片描述

在這里插入圖片描述

讀取文件

import padas
df = pd.read_csv("")  #讀取文件
pd.read_clipboard()  #讀取粘貼板的內(nèi)容
#解決數(shù)據(jù)顯示不完全的問(wèn)題
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)
#獲取指定單元格的值
datefirst = config.iloc[0,1]
datename = config.iloc[0,2]
#新建一列two,篩選料號(hào)一列的前倆個(gè)
sheet["two"] = sheet["料號(hào)"].apply(lambda x:x[:2])

數(shù)值處理

df["dog"] = df["dog"].replace(-1,0)  #數(shù)值替換
#apply理解函數(shù)作為一個(gè)對(duì)象,可以作為參數(shù)傳遞給其它參數(shù),并且能作為函數(shù)的返回值
df["price_new"] = df["price"].apply(lambda pri:pyi.lower())  #新列對(duì)老列處理
df["pricee"] = df["price"] *2  #新列

獲取數(shù)據(jù)

data = df.head()  #默認(rèn)讀取前行
df = pd.read_excel("lemon.xlsx",sheet_name=["python","student"]) #可以通過(guò)表單名同時(shí)讀取多個(gè)
df = pd.read_excel("lemon.clsx",sheet_name=0) 

data = df.values #獲取所有的數(shù)據(jù)
print("獲取到所有的值:\n{0}".format(data)) #格式化輸出

df = pd.read_excel("lemon.xlsx")
data = df.ix[0].values   #表示第一行,不包含表頭
print("獲取到所有的值:\n{0}".format(data)) #格式化輸出

loc和iloc詳解

loc[row,cloumn] 先行后列 : 是全部行或列,一般多行可以用中括號(hào),連續(xù)的可以用a:c等
iloc[index,columns] 行索引,列索引,索引都是從0開(kāi)始,用法是一樣的

多行

多行嵌套
df = pd.read_excel("lemon.xlsx")
data = df.loc[1,2]  #讀取指定多行的話,就要在ix[]里面嵌套列表指定行數(shù)
print("獲取到所有的值:\n{0}".format(data)) #格式化輸出

多行
df=pd.read_excel('lemon.xlsx')
data=df.ix[1,2]#讀取第一行第二列的值,這里不需要嵌套列表
print("讀取指定行的數(shù)據(jù):\n{0}".format(data))

多行多列嵌套
df=pd.read_excel('lemon.xlsx')
data=df.ix[[1,2],['title','data']].values#讀取第一行第二行的title以及data列的值,這里需要嵌套列表
print("讀取指定行的數(shù)據(jù):\n{0}".format(data))

獲取所有行和指定列
df=pd.read_excel('lemon.xlsx')
data=df.ix[:,['title','data']].values#讀所有行的title以及data列的值,這里需要嵌套列表
print("讀取指定行的數(shù)據(jù):\n{0}".format(data))

輸出行號(hào)和列號(hào)

輸出行號(hào)并打印輸出
df=pd.read_excel('lemon.xlsx')
print("輸出行號(hào)列表",df.index.values)
輸出結(jié)果是:
輸出行號(hào)列表 [0 1 2 3]

輸出列名并打印輸出
df=pd.read_excel('lemon.xlsx')
print("輸出列標(biāo)題",df.columns.values)
運(yùn)行結(jié)果如下所示:
輸出列標(biāo)題 ['case_id' 'title' 'data']

獲取指定行數(shù)的值
df=pd.read_excel('lemon.xlsx')
print("輸出值",df.sample(3).values)#這個(gè)方法類(lèi)似于head()方法以及df.values方法
輸出值
 [[2 '輸入錯(cuò)誤的密碼' '{"mobilephone":"18688773467","pwd":"12345678"}']
 [3 '正常充值' '{"mobilephone":"18688773467","amount":"1000"}']
 [1 '正常登錄' '{"mobilephone":"18688773467","pwd":"123456"}']]

獲取指定值

獲取指定列的值
df=pd.read_excel('lemon.xlsx')
print("輸出值\n",df['data'].values)

excel數(shù)據(jù)轉(zhuǎn)字典
df=pd.read_excel('lemon.xlsx')
test_data=[]
for i in df.index.values:#獲取行號(hào)的索引,并對(duì)其進(jìn)行遍歷:
  #根據(jù)i來(lái)獲取每一行指定的數(shù)據(jù) 并利用to_dict轉(zhuǎn)成字典
  row_data=df.ix[i,['case_id','module','title','http_method','url','data','expected']].to_dict()
  test_data.append(row_data)
print("最終獲取到的數(shù)據(jù)是:{0}".format(test_data))

基本格式化

把帶有空值的行全部去除
df.dropna()

對(duì)空置進(jìn)行填充
df.fillna(value=0)
df["price"].fillna(df["price".mean()])

去除字符串兩邊的空格
df["city"] = df["city"].map(str.strip)

大小寫(xiě)轉(zhuǎn)換
df["city"] = df["city"].map(str.lower)

更改數(shù)據(jù)格式
df["price"].fillna(0).astype("int")

更改列的名稱(chēng)
df.rename(columns={"category":"category_size"})

刪除重復(fù)項(xiàng)
df["city"].drop_duplicates()
df["city"].drop_duplicates(keep="last")

數(shù)字修改和替換
df["city"].replace("sh","shanghai")

前3行數(shù)據(jù)
df.tail(3)

給出行數(shù)和列數(shù)
data.describe()

打印出第八行
data.loc[8]

打印出第八行[column_1]的列
data.loc[8,column_1]

第四到第六行(左閉右開(kāi))的數(shù)據(jù)子集
data.loc[range(4,6)]

統(tǒng)計(jì)出現(xiàn)的次數(shù)
data[column_1].value_counts()

len()函數(shù)被應(yīng)用在column_1列中的每一個(gè)元素上
map()運(yùn)算給每一個(gè)元素應(yīng)用一個(gè)的函數(shù)
data[column_1].map(len).map(lambda x : x/100).plot()  plot是繪圖


apply()  給一個(gè)列應(yīng)用一個(gè)函數(shù)

applymap() 會(huì)給dataframe中的所有單元格應(yīng)用一個(gè)函數(shù)

遍歷行和列
for i,row in data.iterrows():
	print(i,row)


選擇指定數(shù)據(jù)的行
important_dates = ['1/20/14', '1/30/14']
data_frame_value_in_set = data_frame.loc[data_frame['Purchase Date']\
.isin(important_dates), :]

選擇0-3列
import pandas as pd
import sys

input_file = r"supplier_data.csv"
output_file = r"output_files\6output.csv"

data_frame = pd.read_csv(input_file)
data_frame_column_by_index = data_frame.iloc[:, [0, 3]]
data_frame_column_by_index.to_csv(output_file, index=False)

添加行頭
import pandas as pd
input_file = r"supplier_data_no_header_row.csv"
output_file = r"output_files\11output.csv"
header_list = ['Supplier Name', 'Invoice Number', \
'Part Number', 'Cost', 'Purchase Date']
data_frame = pd.read_csv(input_file, header=None, names=header_list)
data_frame.to_csv(output_file, index=False)

數(shù)據(jù)多表合并

數(shù)據(jù)合并
1.將表格通過(guò)concat()方法進(jìn)行合并
參數(shù)如下:
objs(必須參數(shù)):參與連接的pandas對(duì)象的列表或字典
axis:指明連接的軸向,默認(rèn)為0
join:選中inner或outer(默認(rèn)),其它軸向上索引是按交集(inner)還是并集(outer)進(jìn)行合并
join_axes:指明用于其他N-1條軸的索引,不執(zhí)行并集/交集運(yùn)算
keys:與連接對(duì)象有關(guān)的值,用于形成連接軸向上的層次化索引
verify_integrity:是否去重
ignore_index:是否忽略索引

合并:
eg:
frames = [df1,df2,df3]
result = pd.concat(frames)
result = pd.concat(frames,keys=["x","y","z"]) #把每張表來(lái)個(gè)定義

在這里插入圖片描述

新增df4表,橫向連接到df1表的第2367列,空置補(bǔ)nan
index:是新增的行
axis=1是指列
df4 = pd.DataFrame(["B":["sf"],"D":["'sf],index=[2,3,6,7]])
result = pd.concat([df1,df4],axis=1)

在這里插入圖片描述

將df1和df4橫向進(jìn)行交集合并
result = pd.concat([df1,df4],axis=1,join="inner")  列是增加,行是交集

按照df1的索引進(jìn)行df1表和df4表的橫向索引
pd.concat([df1,df4],axis=1,join_axes=[df1.index]) 列是增加,行以df1為準(zhǔn),空的為NaN

通過(guò)append()方法連接表格

result = df1.append(df2)
result = df1.append(df4,ignore_index=True) 空格Nan補(bǔ)充

新增一列s1表,并且跟df1進(jìn)行橫向合并
s1 = pd.Series(["1","2","3","4"],name="x")
result = pd.concat([df1,s1],axis=1)   name是列,serise是一維列表,沒(méi)有name,他會(huì)用索引0開(kāi)始繼續(xù)填充

pd.concat([df1,s1],axis=1,ignore_index=True)  表格合并后不保留原來(lái)的索引列名

將key作為兩張表連接的中介
result = pd.merge(left,right,on="key")

result = pd.merge(right,left,on=["key1","key2"])
key1和key2,只要有相同值就行,最后的排列是大的值為key1,小的key2

通過(guò)左表索引連接右表
right = pd.DataFrame({"key1":["K0","K2","K1","K2"],
          "key2":["K0","K1","K0","K0"],
          "C":["C0","C1","C2","C3"],
          "D":["D0","D1","D2","D3"]},
		index = ["k0","k1","k2"])
result = left.join(right)   以做索引為基準(zhǔn),right沒(méi)有左索引的用Nan填充

result = left.join(right,how='outer') how:連接方式

on屬性在merge中,以k為中心拼接,有相同的就拼
result = pd.merge(left,right,on="K")

result = pd.merge(left,right,on="K",suffixes=["_l","_r"])  更改拼接后的neme屬性

在這里插入圖片描述

在這里插入圖片描述

在這里插入圖片描述

在這里插入圖片描述

# 解決顯示不完全的問(wèn)題
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)
config = pd.read_excel("C:\\Users\\Administrator\\Desktop\\數(shù)據(jù)\\文件名配置.xlsx", dtype=object)
datefirst = config.iloc[0, 1]
datename = config.iloc[0, 2]
dateall = datefirst + r"\\" + datename
textfile = config.iloc[1, 1]
textname = config.iloc[1, 2]
textall = textfile + r"\\" + textname

sheet = pd.read_excel(dateall, sheet_name="Sheet2", dtype=object)
sheet["two"] = sheet["料號(hào)"].apply(lambda x: x[:2])
# 取出不包含的數(shù)據(jù)
df = sheet[~sheet["two"].isin(["41", "48"])]
df1 = df[~df["檢驗(yàn)結(jié)果"].isin(["未驗(yàn)", "試產(chǎn)驗(yàn)證允收"])]
# 刪除不需要的列
result = df1.iloc[:, :len(df1.columns) - 1]
# 取出包含的數(shù)據(jù)
DTR561 = result[result["機(jī)種"].isin(["DTR561"])]
DTR562 = result[result["機(jī)種"].isin(["DTR562"])]
HPS322 = result[result["機(jī)種"].isin(["HPS322"])]
HPS829 = result[result["機(jī)種"].isin(["HPS829"])]
writer = pd.ExcelWriter("C:\\Users\\Administrator\\Desktop\\數(shù)據(jù)\\數(shù)據(jù)篩選.xlsx")
result.to_excel(writer, sheet_name="全部機(jī)種", index=False)
DTR561.to_excel(writer, sheet_name="DTR561", index=False)
DTR562.to_excel(writer, sheet_name="DTR562", index=False)
HPS322.to_excel(writer, sheet_name="HPS322", index=False)
HPS829.to_excel(writer, sheet_name="HPS829", index=False)
writer.save()
print("Data filtering completed")

到此這篇關(guān)于pandas針對(duì)excel處理的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)pandas excel處理內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

  • python讀取圖片的方式,以及將圖片以三維數(shù)組的形式輸出方法

    python讀取圖片的方式,以及將圖片以三維數(shù)組的形式輸出方法

    今天小編就為大家分享一篇python讀取圖片的方式,以及將圖片以三維數(shù)組的形式輸出方法,具有好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
    2019-07-07
  • Python批量啟動(dòng)多線程代碼實(shí)例

    Python批量啟動(dòng)多線程代碼實(shí)例

    這篇文章主要介紹了python批量啟動(dòng)多線程代碼實(shí)例,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
    2020-02-02
  • Python解決pip install時(shí)出現(xiàn)的Could not fetch URL問(wèn)題

    Python解決pip install時(shí)出現(xiàn)的Could not fetch URL問(wèn)題

    這篇文章主要介紹了Python解決pip install時(shí)出現(xiàn)的Could not fetch URL問(wèn)題,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
    2019-08-08
  • python中的elasticsearch_dsl查詢(xún)語(yǔ)句轉(zhuǎn)換成es查詢(xún)語(yǔ)句詳解

    python中的elasticsearch_dsl查詢(xún)語(yǔ)句轉(zhuǎn)換成es查詢(xún)語(yǔ)句詳解

    這篇文章主要介紹了python中的elasticsearch_dsl查詢(xún)語(yǔ)句轉(zhuǎn)換成es查詢(xún)語(yǔ)句詳解,ElasticSearch在實(shí)際生產(chǎn)里通常和LogStash,Kibana,F(xiàn)ileBeat一起構(gòu)成Elastic?Stack來(lái)使用,它是這些組件里面最核心的一個(gè),需要的朋友可以參考下
    2023-07-07
  • 淺談一下python線程池簡(jiǎn)單應(yīng)用

    淺談一下python線程池簡(jiǎn)單應(yīng)用

    這篇文章主要介紹了淺談一下python線程池簡(jiǎn)單應(yīng)用,線程池在系統(tǒng)啟動(dòng)時(shí)即創(chuàng)建大量空閑的線程,程序只要將一個(gè)函數(shù)提交給線程池,線程池就會(huì)啟動(dòng)一個(gè)空閑的線程來(lái)執(zhí)行它,需要的朋友可以參考下
    2023-04-04
  • Python統(tǒng)計(jì)單詞出現(xiàn)的次數(shù)

    Python統(tǒng)計(jì)單詞出現(xiàn)的次數(shù)

    最近經(jīng)理交給我一項(xiàng)任務(wù),統(tǒng)計(jì)一個(gè)文件中每個(gè)單詞出現(xiàn)的次數(shù),列出出現(xiàn)頻率最多的5個(gè)單詞。本文給大家?guī)?lái)了python 統(tǒng)計(jì)單詞次數(shù)的思路解析,需要的朋友參考下吧
    2018-04-04
  • 詳解Python如何使用audioflux處理音頻數(shù)據(jù)

    詳解Python如何使用audioflux處理音頻數(shù)據(jù)

    Python的audioflux庫(kù)是一個(gè)處理音頻數(shù)據(jù)的強(qiáng)大工具,旨在提供簡(jiǎn)單而強(qiáng)大的接口,用于音頻信號(hào)處理、分析和合成,下面就跟隨小編一起來(lái)學(xué)習(xí)一下它的具體使用吧
    2023-06-06
  • python實(shí)現(xiàn)請(qǐng)求數(shù)據(jù)包簽名

    python實(shí)現(xiàn)請(qǐng)求數(shù)據(jù)包簽名

    這篇文章主要介紹了python實(shí)現(xiàn)請(qǐng)求數(shù)據(jù)包簽名,主要以python怎么快速對(duì)請(qǐng)求體做一次簽名為主題,塑造實(shí)現(xiàn)請(qǐng)求數(shù)據(jù)包簽名過(guò)程,具有一定得參考價(jià)值,需要的小伙伴可以參考一下
    2022-02-02
  • Python入門(mén)教程(三十四)Python的文件處理

    Python入門(mén)教程(三十四)Python的文件處理

    這篇文章主要介紹了Python入門(mén)教程(三十四)Python的文件處理,在Python中處理文件的主要是open()函數(shù),接下來(lái)我們就來(lái)一起看看open()函數(shù)的用法吧,需要的朋友可以參考下
    2023-05-05
  • 提取視頻中的音頻 Python只需要三行代碼!

    提取視頻中的音頻 Python只需要三行代碼!

    這篇文章主要介紹了python 如何提取視頻中的音頻,幫助大家更好的理解和學(xué)習(xí)使用python,感興趣的朋友可以了解下
    2021-05-05

最新評(píng)論