一个参数一个Excel表，让你玩转Pandas中read_excel()表格读取！
本文大綱
我覺得很有必要講述這個文章，進行數據處理的第一步就是Python數據讀取。但是你可能沒想到，在進行數據讀取的同時，我們其實可以配合相關參數做很多事兒，這對于后續的數據處理都是極其有幫助。
read_excel()函數和read_csv()函數，在參數上面有很多相同點，因此我就以read_excel()函數為例，進行詳細的說明。
參數詳解
1）sheet_name參數
含義：選擇要讀取的sheet表；
sheet_name=0表示默認讀取第一個sheet表，等同于sheet_name=“sheet名稱”；
sheet_name=[“sheet名”，0]會返回一個字典，然后可以利用鍵獲取每一個sheet表中的數據；
sheet_name=None也會返回一個字典，但是會返回全部的sheet表；
① sheet_name=0和sheet_name="Sheet1"
#?下面這兩個讀取方式等同。 #df2?=?pd.read_excel("readexcel.xlsx",sheet_name=0) df2?=?pd.read_excel("readexcel.xlsx",sheet_name="Sheet1") df2結果如下：
② sheet_name=[“sheet名”，0]
df2?=?pd.read_excel("readexcel.xlsx",sheet_name=[0,1]) df2結果如下：
接著，我們可以使用鍵值對的方式，獲取每個sheet表中的數據。
注：關于sheet_name=None效果同上，只不過會返回所有的sheet表中的數據。
2）header參數
含義：指定某一行作為表頭；
header=None專門針對沒有表頭的表，這也是默認值；
header=1指定第一行作為表頭；
header=[]主要針對復合表頭的情況；
① header=None
df3?=?pd.read_excel("header.xlsx",header=None) df3結果如下：
② ?header=1
df3?=?pd.read_excel("header.xlsx",sheet_name=2,header=1)? df3結果如下：
③ header=[]
df3?=?pd.read_excel("header.xlsx",sheet_name=3,header=[0,1],index_col=0)? df3結果如下：
注意：上述用到了一個index_col參數，這個參數用于指定作為行索引的列，我就不詳細舉例了，看看下圖。
3）usecols參數
含義：選擇讀取一張表中的指定列；
usecols=None也是默認情況，表示讀取所有列；
usecols=[A,C]表示只選取A列和C列。usecols=[A,C:E]表示選擇A列，C列、D列和E列；
usecols=[0,2]表示只選擇第一列和第三列；
usecols=["列名1","列名2"...]這也是推薦使用的一種寫法；
① usecols=None
df4?=?pd.read_excel("usecols.xlsx",usecols=None)?#?默認 df4結果如下：
② usecols=[A,C]
df4?=?pd.read_excel("usecols.xlsx",usecols="A,C")? df4結果如下：
③ usecols=[A,C:D]
df4?=?pd.read_excel("usecols.xlsx",usecols="A,C:D")? df4結果如下：
④ usecols=[0,2]
df4?=?pd.read_excel("usecols.xlsx",usecols=[0,2])? df4結果如下：
⑤ usecols=["列名1","列名2"...]
這種方式照說是沒有任何問題的，但是在我這邊運行總是無結果，我很納悶，大家可以下去試試。
4）names參數
含義：如果表中沒有表頭，可以用這個參數添加一個標題。如果表中有表頭，可以用這個參數修改標題。
結果如下：
5）dtype參數
含義：讀取數據時，設置每一列的數據類型（重要）；
dtype={}傳入一個字典，類似于{"列名":"類型"}；
結果如下：
6）parse_dates參數
含義：指定將哪些列，解析為日期格式；
parse_dates=True是專門用于將行索引，解析為日期格式；
parse_dates=[0,1,2,3,4]和parse_dates=["列名1","列名2","列名3","列名4"]，都是將指定列一起解析為日期格式；
parse_dates=[[1,2,3]]和parse_dates=[["年","月","日"]]，都是將多個列，解析為單個日期列；
parse_dates={"日期":[1,2,3]}不僅將多個日期列解析為單個日期列，同時還為這一列命名；
① parse_dates=True
df8?=?pd.read_excel("parse_dates",index_col=2,parse_dates=True) df8.index結果如下：
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 #?這個代碼效果同上 df8?=?pd.read_excel("parse_dates.xlsx",parse_dates=["數值日期1","文本日期2","文本日期3","文本日期4","文本日期5"])結果如下：
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結果如下：
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結果如下：
7）date_parser參數
含義：利用lambda函數，將某個字符串列，解析為日期格式；
一般是配合parse_dates參數，一起使用；
結果如下：
8）na_values參數
含義：用于將某些特定的值，解析為NaN值，然后便于我們后面做缺失值的處理；
na_values=”值1“表示將所有數據中值1全部替換為NaN；
na_values=[”值1“,"值2"]表示將所有數據中值1、值2全部替換為NaN；
na_values={"列1":[”值1“,"值2"]}表示將第一列中所有的值1、值2全部替換為NaN；
① na_values=”值1“
df10?=?pd.read_excel("na_values.xlsx",na_values="?") df10結果如下：
② na_values=[”值1“,"值2"]
df10?=?pd.read_excel("na_values.xlsx",na_values=["a","0"]) df10結果如下：
③ na_values={"列1":[”值1“,"值2"]}
#??只替換某一列中的某些值為NaN df10?=?pd.read_excel("na_values.xlsx",na_values={"列2":["0","?"]}) df10結果如下：
9）converters參數
含義：對某一列使用Lambda函數，進行某種運算；
例如：converters={"工資":lambda x: x + 1000}；
結果如下：
后臺回復"readexcel" 獲取本文所用到的素材！
由于微信平臺算法改版，公號內容將不再以時間排序展示，如果大家想第一時間看到我們的推送，強烈建議星標我們和給我們多點點【在看】。星標具體步驟為：
總結
以上是生活随笔為你收集整理的一个参数一个Excel表，让你玩转Pandas中read_excel()表格读取！的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 七夕了！！聊聊《最受欢迎的男友职业排行榜
- 下一篇： 毕业三年，快手总包 90W 值得去吗？