Windows下Python使用Pandas模块操作Excel文件的教程


            安装Python环境

ANACONDA是一个Python的发行版本，包含了400多个Python最常用的库，其中就包括了数据分析中需要经常使用到的Numpy和Pandas等。更重要的是，不论在哪个平台上，都可以一键安装，自动配置好环境，不需要用户任何的额外操作，非常方便。因此，安装Python环境就只需要到ANACONDA网站上下载安装文件，双击安装即可。

ANACONDA官方下载地址：http://www.continuum.io/downloads

安装完成之后，使用windows + r键打开Windows命令行，输入ipython，然后回车：







Python 2.7.11 |Anaconda 2.5.0 (64-bit)| (default, Jan 29 2016, 14:26:21) [MSC v.1500 64 bit (AMD64)]



Type "copyright", "credits" or "license" for more information.



IPython 4.0.3 -- An enhanced Interactive Python.



?     -> Introduction and overview of IPython's features.



%quickref -> Quick reference.



help   -> Python's own help system.



object?  -> Details about 'object', use 'object??' for extra details.







如上所示，如果成功进入了Python环境，则代表安装成功。





使用pandas处理excel

在本文我以log.xls文件为例，来说明如何使用pandas处理excel文件。log.xls文件的内容如下所示：





可以看到log.xls中包含了多个的表（sheet），每个表主要包括了member和activity两个属性，相同的member ID的数据相邻的排列在一起，并且最后一行是前面所有的汇总。这里，我们假设需要提取出每个member汇总的信息，即提取每个member连续出现的最后一行的数据。如何实现呢？

这里我们就来隆重介绍Pandas,，从http://pypi.python.org/pypi/pandas/0.16.2官方下载，cmd命令行进入下载解压目录，





python setup.py install 



安装。



（PS：python的大数据模块pandas完全安装完毕后还依赖于

• NumPy: 1.6.1 or higher

• python-dateutil 1.5

• pytz

这三个模块也许要安装。

可选择依赖有(可以根据需要安装)

• SciPy: miscellaneous statistical functions

• PyTables: necessary for HDF5-based storage

• SQLAlchemy: for SQL database support. Version 0.8.1 or higher recommended.

• matplotlib: for plotting

• statsmodels

– Needed for parts of pandas.stats

• openpyxl, xlrd/xlwt

– openpyxl version 1.6.1 or higher, but lower than 2.0.0

– Needed for Excel I/O

• XlsxWriter

– Alternative Excel writer.

• boto: necessary for Amazon S3 access.

）

导入pandas模块：





import pandas as pd





使用import读入pandas模块，并且为了方便使用其缩写pd指代。

读入待处理的excel文件：





df = pd.read_excel('log.xls')





通过使用read_excel函数读入excel文件，后面需要替换成excel文件所在的路径。读入之后变为pandas的DataFrame对象。DataFrame是一个面向列(column-oriented)的二维表结构，且含有列表和行标，对excel文件的操作就转换为对DataFrame操作。另外，如果一个excel含有多个表，如果你只想读入其中一个可以：





df = pd.read_excel('log.xls', sheetname=1)





增加了一个参数sheetname，表示的是第几个表，从0开始计数。我上面设置的是1，也就是第二个表。

读入之后，可以先查看表头信息和每一列的数据类型：





df.dtypes







输出如下：





Member     object

Unnamed: 1  float64

Unnamed: 2  float64

Unnamed: 3  float64

Unnamed: 4  float64

Unnamed: 5  float64

家内外活动类型    object

Unnamed: 7   object

activity    object

dtype: object





提取每个member连续出现的最后一行数据：





 new_df = df.drop_duplicates(subset='Member', keep='last')





以上语句的意思是根据Member字段去除掉多余的行，并且保留相同行的最后一行数据。这些就得到了每一个member最后一行的数据了，返回了经过筛选后的DataFrame。

接下来需要将处理后的结果，保存为excel文件：





out = pd.ExcelWriter('output.xls')

new_df.to_excel(out)

out.save()





output.xls是你要保存的文件名，可以任取；然后将DataFrame的内容保存到该文件，最后保存该文件到系统的磁盘上。

接下来，你就可以在当前目录看到一个新的文件，可以直接使用excel打开查看。

Pandas还提供了很多的API，可以根据具体的任务，查找API文档，找到合适的函数来完成任务。

附：一个完整的示例







#coding=utf-8

import pandas as pd



# 读入excel文件中的第2个表

df = pd.read_excel('log.xls', sheetname=1)

# 查看表的数据类型

print df.dtypes

# 查看Member列的数据

print df['Member']



'''

# 新建一列，每一行的值是Member列和activity列相同行值的和

for i in df.index:

  df['activity_2'][i] = df['Member'][i] + df['activity'][i]

'''



# 根据Member字段去除掉多余的行，并且保留相同行的最后一行数据

new_df = df.drop_duplicates(subset='Member', keep='last')

# 导出结果

out = pd.ExcelWriter('output.xls')

new_df.to_excel(out)

out.save()