除了使用xlrd库或者xlwt库进行对excel表格的操作读与写，而且pandas库同样支持excel的操作；且pandas操作更加简介方便。
首先是pd.read_excel的参数：函数为：
|
1
2
3
4
|
pd.read_excel(io, sheetname=0,header=0,skiprows=none,index_col=none,names=none,
arse_cols=none,date_parser=none,na_values=none,thousands=none,
convert_float=true,has_index_names=none,converters=none,dtype=none,
true_values=none,false_values=none,engine=none,squeeze=false,**kwds)
|
表格数据：
常用参数解析：
io ：excel 路径；
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
in [10]: import pandas as pd
#定义路径io
in [11]: io = 'example.xls'
#读取excel文件
in [12]: sheet = pd.read_excel(io=io)
#此处由于sheetname默认是0，所以返回第一个表
in [13]: sheet
out[13]:
姓名 年龄 出生日 爱好 关系
0 小王 23 1991-10-02 足球 朋友
1 小丽 23 1992-11-02 篮球 nan
2 小黑 25 1991-10-18 游泳 同学
3 小白 21 1989-09-09 游戏 nan
4 小红 25 1990-08-07 看剧 nan
5 小米 24 1991-12-12 足球 nan
6 大锤 26 1988-09-09 看剧 个人
#上述列表返回的结果和原表格存在合并单元格的差异
|
sheetname：默认是sheetname为0，返回多表使用sheetname=[0,1]，若sheetname=none是返回全表 。注意：int/string返回的是dataframe，而none和list返回的是dict of dataframe。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
|
in [7]: sheet = pd.read_excel('example.xls',sheetname= [0,1])
#参数为none时，返回全部的表格，是一个表格的字典；
#当参数为list = [0，1，2，3]此类时，返回的多表格同样是字典
in [8]: sheet
out[8]:
{0: 姓名 年龄 出生日 爱好 关系
0 小王 23 1991-10-02 足球 朋友
1 小丽 23 1992-11-02 篮球 nan
2 小黑 25 1991-10-18 游泳 同学
3 小白 21 1989-09-09 游戏 nan
4 小红 25 1990-08-07 看剧 nan
5 小米 24 1991-12-12 足球 nan
6 大锤 26 1988-09-09 看剧 个人, 1: 1 3 5 学生
0 2 3 4 老师
1 4 1 9 教授}
#value是一个多位数组
in [15]: sheet[0].values
out[15]:
array([['小王', 23, timestamp('1991-10-02 00:00:00'), '足球', '朋友'],
['小丽', 23, timestamp('1992-11-02 00:00:00'), '篮球', nan],
['小黑', 25, timestamp('1991-10-18 00:00:00'), '游泳', '同学'],
['小白', 21, timestamp('1989-09-09 00:00:00'), '游戏', nan],
['小红', 25, timestamp('1990-08-07 00:00:00'), '看剧', nan],
['小米', 24, timestamp('1991-12-12 00:00:00'), '足球', nan],
['大锤', 26, timestamp('1988-09-09 00:00:00'), '看剧', '个人']], dtype=object)
#同样可以根据表头名称或者表的位置读取该表的数据
#通过表名
in [17]: sheet = pd.read_excel('example.xls',sheetname= 'sheet2')
in [18]: sheet
out[18]:
1 3 5 学生
0 2 3 4 老师
1 4 1 9 教授
#通过表的位置
in [19]: sheet = pd.read_excel('example.xls',sheetname= 1)
in [20]: sheet
out[20]:
1 3 5 学生
0 2 3 4 老师
1 4 1 9 教授
|
header ：指定作为列名的行，默认0，即取第一行，数据为列名行以下的数据；若数据不含列名，则设定 header = none；
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
#数据不含作为列名的行
in [21]: sheet = pd.read_excel('example.xls',sheetname= 1,header = none)
in [22]: sheet
out[22]:
0 1 2 3
0 1 3 5 学生
1 2 3 4 老师
2 4 1 9 教授
#默认第一行数据作为列名
in [23]: sheet = pd.read_excel('example.xls',sheetname= 1,header =0)
in [24]: sheet
out[24]:
1 3 5 学生
0 2 3 4 老师
1 4 1 9 教授
|
skiprows：省略指定行数的数据
|
1
2
3
4
5
6
7
|
in [25]: sheet = pd.read_excel('example.xls',sheetname= 1,header = none,skiprows= 1)
#略去1行的数据，自上而下的开始略去数据的行
in [26]: sheet
out[26]:
0 1 2 3
0 2 3 4 老师
1 4 1 9 教授
|
skip_footer：省略从尾部数的行数据
|
1
2
3
4
5
6
7
|
in [27]: sheet = pd.read_excel('example.xls',sheetname= 1,header = none,skip_footer= 1)
#从尾部开始略去行的数据
in [28]: sheet
out[28]:
0 1 2 3
0 1 3 5 学生
1 2 3 4 老师
|
index_col ：指定列为索引列，也可以使用 u'string'
|
1
2
3
4
5
6
7
8
9
|
#指定第二列的数据作为行索引
in [30]: sheet = pd.read_excel('example.xls',sheetname= 1,header = none,skip_footer= 1,index_col=1)
in [31]: sheet
out[31]:
0 2 3
1
3 1 5 学生
3 2 4 老师
|
names：指定列的名字，传入一个list数据
|
1
2
3
4
5
6
7
8
9
|
in [32]: sheet = pd.read_excel('example.xls',sheetname= 1,header = none,skip_footer= 1,index_col=1,names=['a','b','c'])
...:
in [33]: sheet
out[33]:
a b c
1
3 1 5 学生
3 2 4 老师
|
总体而言，pandas库的pd.read_excel和pd.read_csv的参数比较类似，且相较之前的xlrd库的读表操作更加简单，针对一般批量的数据处理最好选择pandas库操作。但是功能有待完善或者本次研究的不够深入，比如合并单元格的问题，欢迎一起讨论交流。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/brucewong0516/article/details/79096633