12. Pandas ：使用pandas读Excel文件的常用方法

一 read_excel 函数

其他参数根据实际需要进行查找。

1.接受一个工作表

在 11 案例用到的 Excel 工作簿中，数据是从第一张工作表的 A1 单元格开始的。但在实际场景中， Excel 文件可能并没有这么规整。所以 panda 提供了一些参数来优化读取过程。

比如 store.xlsx 文件的三个工作表都是这样：

通过 sheet_name、skiprows 和 usecols 这些参数，可以告诉 pandas 关于我们想要读取的列的详细信息。

sheet_name="2019":指定了要读取的工作表名称。sheet_name 接受工作表切片。闭区间，包括起始和结束的工作表。

• 单个工作表: sheet_name="Sheet1"
• 多个工作表（列表）: sheet_name=["Sheet1", "Sheet2"]
• 工作表切片: sheet_name="Sheet1:Sheet3" 或 sheet_name=0:3（使用索引）

skiprows=1:用于跳过文件开头指定数量的行。在这个例子中，skiprows=1 表示跳过文件的第一行，从第二行开始读取数据。

usecols="B:F":用于指定要读取的列范围。读取从列 B 到列 F 的数据（包括 B 和 F 列）。

补充：Flagship 的数据类型应该是 bool 而不是 object。要修正这一问题，需要提供一个转换函数来处理某列中发生冲突的单元格。（编写 fix_missing 函数或者写一个lambda 表达式）

将 Flagship 列中的非布尔值处理为 False，而将有效的布尔值保留为 True 或 False。

Flagship 列的数据类型是 object，而不是 bool。是因为该列中包含了一些非布尔值（如 MISSING 和 NaN），导致 pandas 无法自动将其转换为布尔类型。

1.编写函数

import pandas as pd
import numpy as np

# 定义 fix_missing 函数
def fix_missing(value):
    if isinstance(value, bool):
        return value
    else:
        return False

# 读取数据
df = pd.read_excel("xl/stores.xlsx", sheet_name="2019", skiprows=1, usecols="B:F")

# 应用 fix_missing 函数到 Flagship 列
df['Flagship'] = df['Flagship'].apply(fix_missing)

# 打印修正后的 DataFrame
print(df)

2.使用 lambda 表达式

import pandas as pd

# 读取数据
df = pd.read_excel("xl/stores.xlsx", sheet_name="2019", skiprows=1, usecols="B:F")

# 使用 lambda 表达式将 Flagship 列中非布尔值转换为 False
df['Flagship'] = df['Flagship'].apply(lambda x: x if isinstance(x, bool) else False)

# 打印修正后的 DataFrame
print(df)

apply() 方法用于对 DataFrame 的每一列应用一个函数。

lambda x: x if isinstance(x, bool) else False 是一个匿名函数，它检查每个元素 x。

如果 x 是布尔类型（True 或 False），则保留原值。如果 x 不是布尔类型（例如，MISSING 或 NaN），则将其转换为 False。

isinstance(x, bool) 是一个内置函数，用于检查变量 x 是否是布尔类型 (bool)。

3.结合使用

converters 参数用于指定列的自定义转换函数。这允许你在数据读取过程中，对特定列的数据进行预处理或转换。converters 是一个字典，其中键是列名（或列索引），值是应用于该列的转换函数。当 pandas.read_excel 读取数据时，会使用这些转换函数来处理指定列的数据。

def fix_missing(x):
    return False if x in ["", "MISSING"] else x

df = pd.read_excel(
    "xl/stores.xlsx",
    sheet_name="2019",
    skiprows=1,
    usecols="B:F",
    converters={"Flagship": fix_missing})

fix_missing 函数：这个函数用于检查传入的值 x。

如果 x 是一个空字符串 "" 或字符串 "MISSING"，则返回 False。否则，返回原始值 x。

converters={"Flagship": fix_missing}:

这里指定了一个转换字典，其中键是 "Flagship"，表示要对 Flagship 列应用转换。值是 fix_missing 函数，这意味着在读取 Flagship 列的数据时，每个单元格的值都会通过 fix_missing 函数进行处理。

2.接受一个工作表名称列表

在 pandas 库中，read_excel 函数可以读取 Excel 文件中的一个或多个工作表。当你想要读取多个工作表时，可以通过传递一个工作表名称的列表或者使用 sheet_name=None 来读取所有的工作表。这将返回一个字典，其中键是工作表名称，值是对应的 DataFrame。

假设你有一个 Excel 文件 data.xlsx，其中包含以下三个工作表：

Sheet1: 包含学生基本信息。

Sheet2: 包含学生的成绩。

Sheet3: 包含学生的出勤记录。

import pandas as pd

# 读取 Excel 文件中的所有工作表
sheets = pd.read_excel("data.xlsx", sheet_name=None)

# `sheets` 是一个字典，键是工作表名称，值是对应的 DataFrame
print(sheets.keys())  # 输出: dict_keys(['Sheet1', 'Sheet2', 'Sheet3'])

# 访问特定工作表的 DataFrame
students_info = sheets['Sheet1']
students_grades = sheets['Sheet2']
students_attendance = sheets['Sheet3']

# 打印 Sheet1 的数据
print(students_info)

补充：usecols 参数。

用于指定要读取的列名，从而只导入你感兴趣的数据，忽略其他列。

import pandas as pd

# 读取 Excel 文件中的两个工作表 "2019" 和 "2020"
sheets = pd.read_excel(
    "xl/stores.xlsx", 
    sheet_name=["2019", "2020"], 
    skiprows=1, 
    usecols=["Store", "Employees"])

# 打印 2019 年工作表的前两行
print(sheets["2019"].head(2))

 .head(2) 方法打印该 DataFrame 的前两行。

3.设置列名

源文件没有列标题，可以设置参数 header=None 并通过 names 参数提供对应的列名。

import pandas as pd

df = pd.read_excel(
    "xl/stores.xlsx", 
    sheet_name=0, 
    skiprows=2, 
    skipfooter=3, 
    usecols="B:C,F", 
    header=None, 
    names=["Branch", "Employee_Count", "Is_Flagship"]
)

sheet_name=0：指定读取 Excel 文件的第一个工作表。

skiprows=2：跳过文件开头的 2 行。

skipfooter=3：跳过文件末尾的 3 行。

usecols="B:C,F"：指定要读取的列。"B:C" 表示读取从 B 列到 C 列的所有列（包括 B 和 C 列）。"F" 表示读取 F 列。

header=None：指定 Excel 文件中没有列标题行。规定不要将文件中的任何一行用作列名。

names=["Branch", "Employee_Count", "Is_Flagship"]：由于 header=None，我们需要通过 names 参数提供自定义的列名。

这里为读取的列指定了名称："Branch"、"Employee_Count" 和 "Is_Flagship"。

4.处理缺失值

使用 na_values 和 keep_default_na 参数。

import pandas as pd
 
df = pd.read_excel(
    "xl/stores.xlsx", 
    sheet_name="2019", 
    skiprows=1, 
    usecols="B,C,F", 
    skipfooter=2, 
    na_values="MISSING", 
    keep_default_na=False
)

na_values="MISSING":指定将 "MISSING" 视为缺失值（NaN）。任何在数据中出现的 "MISSING" 都会被转换为 NaN。

keep_default_na=False:指定不保留 pandas 默认的缺失值标识符。默认情况下，pandas 会将空字符串 ""、'nan'、'null'、'NULL' 等识别为缺失值并转换为 NaN。设置为 False 后，只有 na_values 中指定的值（如 "MISSING") 会被视为缺失值。

---

二 ExcelFile 类 

1.什么是 ExcelFile 类 

使用 ExcelFile 类，你可以一次性加载整个 Excel 文件，然后根据需要选择性地解析各个工作表，从而提高数据处理的效率。

2.为什么有 ExcelFile 类 

当需要从同一个 Excel 文件中读取多个工作表时，直接使用 read_excel 函数可能会多次打开和读取整个文件，导致性能下降。而 ExcelFile 类允许你一次性打开文件，并在内存中保持打开状态，从而避免了重复的文件读取操作。

ExcelFile 类可以被用作上下文管理器（使用 with 语句），这意味着文件会在使用后被自动关闭，从而避免了资源泄漏的问题。当使用 with 语句来打开 ExcelFile 时，pandas 会自动处理文件的打开和关闭。

3.如何使用 ExcelFile 类 

1.导入 pandas 库

import pandas as pd

2.创建 ExcelFile 对象

传入 Excel 文件的路径。

补充：通过 ExcelFile 访问所有工作表的名称

3.读取工作表

使用 pd.read_excel 函数读取 ExcelFile 对象中的特定工作表。

4.（可选）使用上下文管理器

为了确保文件在使用后被正确关闭，可以使用 with 语句来管理 ExcelFile 对象。

补充：上下文管理器和 with 语句 

Python 中的 with 语句被用于管理文件或数据连接之类的资源。如果你想加载最新的销售数据以便对其进行分析，就必须打开一个文件或者建立一个数据库连接。在数据读取完成后，最好尽快关闭文件或者数据库连接。否则，你可能会无法打开其他文件或者建立新的数据库连接。

手动打开和关闭文本文件的代码：

执行这段代码会在笔记本的工作目录中创建一个叫作 output.txt 的文件，并将“Some text”

写入文件。要读取一个文件，需要使用 r 模式而不是 w 模式；要在文件末尾追加内容，则需要使用 a 模式。

文件的打开和关闭是一种相当常见的操作，因此 Python 提供了 with 语句来简化这类代码：

当代码的执行过程离开 with 语句的主体时，无论是否发生异常，文件都会被自动关闭。支持 with 语句的对象被称作上下文管理器。ExcelFile 对象和 ExcelWriter 对象，数据库连接对象都是上下文管理器。

5.示例

pd.ExcelFile("xl/stores.xls"): 使用 pandas 的 ExcelFile 类来打开和加载名为 "xl/stores.xls" 的 Excel 文件。

as f: 将创建的 ExcelFile 对象赋值给变量 f。这样，在 with 语句的作用域内，你可以通过 f 来引用这个 ExcelFile 对象。

---

三 通过 URL 读取Excel 文件