android读取excel文件_python里读写excel等数据文件的几种常用方式

python处理数据文件第一步是要读取数据，文件类型主要包括文本文件(csv、txt等)、excel文件、数据库文件、api等。

下面整理下python有哪些方式可以读取数据文件。

1. python内置方法(read、readline、readlines)

read() ：一次性读取整个文件内容。推荐使用read(size)方法，size越大运行时间越长
readline() ：每次读取一行内容。内存不够时使用，一般不太用
readlines() ：一次性读取整个文件内容，并按行返回到list，方便我们遍历

具体用法可见： 一文搞懂python文件读写

2. 内置模块(csv)

python内置了csv模块用于读写csv文件，csv是一种逗号分隔符文件，是数据科学中最常见的数据存储格式之一。 csv模块能轻松完成各种体量数据的读写操作，当然大数据量需要代码层面的优化。

csv模块读取文件

# 读取csv文件import csv  with open('test.csv','r') as myFile:      lines=csv.reader(myFile)      for line in lines:          print (line)

csv模块写入文件

import csv  with open('test.csv','w+') as myFile:          myWriter=csv.writer(myFile)      # writerrow一行一行写入    myWriter.writerow([7,8,9])      myWriter.writerow([8,'h','f'])      # writerow多行写入    myList=[[1,2,3],[4,5,6]]      myWriter.writerows(myList)

3. 使用numpy库(loadtxt、load、fromfile)

loadtxt方法 loadtxt用来读取文本文件(包含txt、csv等)以及.gz 或.bz2格式压缩文件，前提是文件数据每一行必须要有数量相同的值。

import numpy as np# loadtxt()中的dtype参数默认设置为float# 这里设置为str字符串便于显示np.loadtxt('test.csv',dtype=str)# out：array(['1,2,3', '4,5,6', '7,8,9'], dtype='

load方法 load用来读取numpy专用的.npy, .npz 或者pickled持久化文件。

import numpy as np# 先生成npy文件np.save('test.npy', np.array([[1, 2, 3], [4, 5, 6]]))# 使用load加载npy文件np.load('test.npy')'''out:array([[1, 2, 3],       [4, 5, 6]])'''

fromfile方法 fromfile方法可以读取简单的文本数据或二进制数据，数据来源于tofile方法保存的二进制数据。读取数据时需要用户指定元素类型，并对数组的形状进行适当的修改。

import numpy as npx = np.arange(9).reshape(3,3)x.tofile('test.bin')np.fromfile('test.bin',dtype=np.int)# out:array([0, 1, 2, 3, 4, 5, 6, 7, 8])

4. 使用pandas库(read_csv、read_excel等)

pandas是数据处理最常用的分析库之一，可以读取各种各样格式的数据文件，一般输出dataframe格式。如：txt、csv、excel、json、剪切板、数据库、html、hdf、parquet、pickled文件、sas、stata等等

read_csv方法 read_csv方法用来读取csv格式文件，输出dataframe格式。

import pandas as pdpd.read_csv('test.csv')

read_excel方法 读取excel文件，包括xlsx、xls、xlsm格式

import pandas as pdpd.read_excel('test.xlsx')

read_table方法 通过对sep参数(分隔符)的控制来对任何文本文件读取
read_json方法 读取json格式文件

df = pd.DataFrame([['a', 'b'], ['c', 'd']],index=['row 1', 'row 2'],columns=['col 1', 'col 2'])j = df.to_json(orient='split')pd.read_json(j,orient='split')