​一个参数一张Excel表，玩转Pandas的read_excel()表格读取

1）sheet_name参数

• 含义：选择要读取的sheet表；

• sheet_name=0表示默认读取第一个sheet表，等同于sheet_name=“sheet名称”；

• sheet_name=[“sheet名”，0]会返回一个字典，然后可以利用键获取每一个sheet表中的数据；

• sheet_name=None也会返回一个字典，但是会返回全部的sheet表；

①?sheet_name=0和sheet_name="Sheet1"

#?下面这两个读取方式等同。
#df2?=?pd.read_excel("readexcel.xlsx",sheet_name=0)
df2?=?pd.read_excel("readexcel.xlsx",sheet_name="Sheet1")
df2

②?sheet_name=[“sheet名”，0]

df2?=?pd.read_excel("readexcel.xlsx",sheet_name=[0,1])
df2

2）header参数

• 含义：指定某一行作为表头；
  
• header=None专门针对没有表头的表，这也是默认值；
• header=1指定第一行作为表头；
• header=[]主要针对复合表头的情况；

①?header=None

df3?=?pd.read_excel("header.xlsx",header=None)
df3

② ?header=1

df3?=?pd.read_excel("header.xlsx",sheet_name=2,header=1)?
df3

③?header=[]

df3?=?pd.read_excel("header.xlsx",sheet_name=3,header=[0,1],index_col=0)?
df3

3）usecols参数

• 含义：选择读取一张表中的指定列；
  
• usecols=None也是默认情况，表示读取所有列；
• usecols=[A,C]表示只选取A列和C列。usecols=[A,C:E]表示选择A列，C列、D列和E列；
• usecols=[0,2]表示只选择第一列和第三列；
• usecols=["列名1","列名2"...]这也是推荐使用的一种写法；

①?usecols=None

df4?=?pd.read_excel("usecols.xlsx",usecols=None)?#?默认
df4

②?usecols=[A,C]

df4?=?pd.read_excel("usecols.xlsx",usecols="A,C")?
df4

③?usecols=[A,C:D]

df4?=?pd.read_excel("usecols.xlsx",usecols="A,C:D")?
df4

④?usecols=[0,2]

df4?=?pd.read_excel("usecols.xlsx",usecols=[0,2])?
df4

⑤?usecols=["列名1","列名2"...]

4）names参数

• 含义：如果表中没有表头，可以用这个参数添加一个标题。如果表中有表头，可以用这个参数修改标题。

names?=?["月份","语文","英语"]
df6?=?pd.read_excel("names.xlsx",header=None,names=names)?
df6

5）dtype参数

• 含义：读取数据时，设置每一列的数据类型（重要）；
• dtype={}传入一个字典，类似于{"列名":"类型"}；

df7?=?pd.read_excel("dtype.xlsx")
df7.dtypes
------------------------------------------------------
df7?=?pd.read_excel("dtype.xlsx",dtype={"年龄":"str"})
df7.dtypes

6）parse_dates参数

• 含义：指定将哪些列，解析为日期格式；
• parse_dates=True是专门用于将行索引，解析为日期格式；
• parse_dates=[0,1,2,3,4]和parse_dates=["列名1","列名2","列名3","列名4"]，都是将指定列一起解析为日期格式；
• parse_dates=[[1,2,3]]和parse_dates=[["年","月","日"]]，都是将多个列，解析为单个日期列；
• parse_dates={"日期":[1,2,3]}不仅将多个日期列解析为单个日期列，同时还为这一列命名；

①?parse_dates=True

df8?=?pd.read_excel("parse_dates",index_col=2,parse_dates=True)
df8.index

②?parse_dates=[0,1]和parse_dates=["列名1","列名2"]

df8?=?pd.read_excel("parse_dates",parse_dates=[0,1,2,3,4])
df8.dtypes
#?这个代码效果同上
df8?=?pd.read_excel("parse_dates.xlsx",
????????????????????parse_dates=["数值日期1","文本日期2","文本日期3","文本日期4","文本日期5"])

③?parse_dates=[[1,2,3]]和parse_dates=[["年","月","日"]]

#df8?=?pd.read_excel("parse_dates.xlsx",sheet_name="Sheet2",parse_dates=[["年","月","日"]])
df8?=?pd.read_excel("parse_dates.xlsx",sheet_name="Sheet2",parse_dates=[[1,2,3]])
df8

④?parse_dates={"日期":[1,2,3]}

df8?=?pd.read_excel("parse_dates.xlsx",sheet_name="Sheet2",parse_dates={"日期":[1,2,3]})
df8

7）date_parser参数

• 含义：利用lambda函数，将某个字符串列，解析为日期格式；
• 一般是配合parse_dates参数，一起使用；

df9?=?pd.read_excel("date_parser.xlsx",parse_dates=[1],
????????????????????date_parser=lambda?x:?pd.to_datetime(x,format="%Y年%m月%d"))
print(df9.dtypes)
df9

8）na_values参数

• 含义：用于将某些特定的值，解析为NaN值，然后便于我们后面做缺失值的处理；
• na_values=”值1“表示将所有数据中值1全部替换为NaN；
• na_values=[”值1“,"值2"]表示将所有数据中值1、值2全部替换为NaN；
• na_values={"列1":[”值1“,"值2"]}表示将第一列中所有的值1、值2全部替换为NaN；

①?na_values=”值1“

df10?=?pd.read_excel("na_values.xlsx",na_values="?")
df10

②?na_values=[”值1“,"值2"]

df10?=?pd.read_excel("na_values.xlsx",na_values=["a","0"])
df10

③?na_values={"列1":[”值1“,"值2"]}

#??只替换某一列中的某些值为NaN
df10?=?pd.read_excel("na_values.xlsx",na_values={"列2":["0","?"]})
df10

9）converters参数

• 含义：对某一列使用Lambda函数，进行某种运算；
• 例如：converters={"工资":lambda x: x + 1000}；

df11?=?pd.read_excel("converters.xlsx",
?????????????????????converters={"地址":lambda?x:?"中国"+x,"工资":lambda?x:?x?+?1000})
df11

推荐阅读

• 算法实现太难了？机器学习也需要开源软件
• TikTok算法背后是抖音用户数据？想多了
  
• 图解Transformer，读完这篇就够了
• 马小峰：金融科技界的区块链博士
• 2019年中国IaaS公有云市场排名及份额出炉

关注公众号：拾黑（shiheibook）了解更多

[广告]赞助链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/