详细学习 pandas 和 xlrd：从零开始
前言
在数据处理和分析中，Excel 文件是最常见的数据格式之一。Python 提供了强大的库 pandas，可以轻松地处理 Excel 文件中的数据。同时，我们还可以使用 xlrd 来读取 Excel 文件，尤其是较旧格式的 .xls 文件。
本篇博客将从零开始，带你学习如何使用 pandas 和 xlrd 来读取、处理、修改和保存 Excel 文件的数据。我们将详细讲解每一步，并附带代码示例和输出结果。
一、环境准备和安装
在开始学习之前，我们需要确保 Python 环境中已经安装了 pandas 和 xlrd。你可以通过以下步骤安装这些库。
1.1 安装 pandas 和 xlrd
打开命令行（Windows）或终端（macOS 和 Linux），输入以下命令来安装 pandas 和 xlrd：
pip install pandas xlrd
1.2 验证安装
安装完成后，你可以通过以下代码验证安装是否成功：
import pandas as pd
import xlrdprint(pd.__version__) # 打印 pandas 的版本
print(xlrd.__version__) # 打印 xlrd 的版本
如果没有报错，并且成功打印出版本号，说明安装成功。
二、pandas 和 xlrd 的基础概念
在开始写代码之前，我们先了解一些 pandas 和 xlrd 的基础概念。
2.1 什么是 pandas？
pandas 是一个用于数据分析和处理的强大 Python 库。它的核心数据结构是 DataFrame 和 Series。
- DataFrame：一个二维表格，类似于电子表格或数据库中的表，具有行和列。
- Series：一个一维数组，类似于表格中的一列数据。
2.2 什么是 xlrd？
xlrd 是一个专门用于读取 Excel 文件的库，尤其是 .xls 格式的文件。pandas 依赖 xlrd 来读取这些文件的数据。
三、使用 pandas 读取 Excel 文件
3.1 读取 Excel 文件的基础方法
我们首先学习如何使用 pandas 读取一个 Excel 文件。假设我们有一个名为 example.xls 的 Excel 文件，它包含以下数据：
Name Age City
0 Alice 25 New York
1 Bob 30 Los Angeles
2 Charlie 35 Chicago
代码示例：读取 Excel 文件
import pandas as pd# 使用 pandas 读取 Excel 文件
df = pd.read_excel('example.xls', engine='xlrd')# 显示前几行数据
print(df.head())
解释
pd.read_excel：这是pandas提供的读取 Excel 文件的函数。我们传入文件名example.xls和engine='xlrd'参数，xlrd用于解析较旧格式的.xls文件。df.head()：head()方法用于显示 DataFrame 的前 5 行数据，帮助我们快速查看数据内容。
输出示例
当你运行这段代码时，你会看到以下输出：
Name Age City
0 Alice 25 New York
1 Bob 30 Los Angeles
2 Charlie 35 Chicago
四、深入理解 DataFrame 和 Series
4.1 什么是 DataFrame？
DataFrame 是 pandas 中的核心数据结构之一，它是一个二维的表格，类似于 Excel 表格。每个 DataFrame 都有行索引和列标签。
示例：创建一个简单的 DataFrame
import pandas as pd# 定义一个字典，表示表格中的数据
data = {'Name': ['Alice', 'Bob', 'Charlie'],'Age': [25, 30, 35],'City': ['New York', 'Los Angeles', 'Chicago']
}# 将字典转换为 DataFrame
df = pd.DataFrame(data)# 显示 DataFrame
print(df)
解释
- 字典
data：我们创建了一个字典，其中每个键（如'Name'）代表一列数据，每个键对应的值是一个列表，表示这一列的所有数据。 pd.DataFrame(data)：pandas提供的DataFrame构造函数，用于将字典转换为 DataFrame。
输出示例
运行代码后，你将看到如下输出：
Name Age City
0 Alice 25 New York
1 Bob 30 Los Angeles
2 Charlie 35 Chicago
4.2 什么是 Series？
Series 是 pandas 中的一维数据结构，类似于 Excel 中的一列。每个 Series 都有一个索引和一组数据。
示例：从 DataFrame 中提取 Series
# 从 DataFrame 中提取 'Name' 列，作为一个 Series
names = df['Name']# 显示 Series
print(names)
输出示例
运行代码后，你将看到如下输出：
0 Alice
1 Bob
2 Charlie
Name: Name, dtype: object
解释
df['Name']：我们使用列标签'Name'来提取DataFrame中的某一列，返回一个Series。Name: Name, dtype: object：输出结果中显示了Series的名称和数据类型（这里是字符串object）。
五、处理 DataFrame 数据
5.1 增加新列
我们可以向 DataFrame 中添加一列新数据，比如性别。
代码示例：增加一列数据
# 增加一列数据，表示这些人的性别
df['Gender'] = ['Female', 'Male', 'Male']# 显示更新后的 DataFrame
print(df)
输出示例
运行代码后，你将看到如下输出：
Name Age City Gender
0 Alice 25 New York Female
1 Bob 30 Los Angeles Male
2 Charlie 35 Chicago Male
5.2 删除列
如果你想删除 DataFrame 中的一列数据，可以使用 drop 方法。
代码示例：删除一列数据
# 删除 'City' 列
df = df.drop(columns=['City'])# 显示更新后的 DataFrame
print(df)
输出示例
运行代码后，你将看到如下输出：
Name Age Gender
0 Alice 25 Female
1 Bob 30 Male
2 Charlie 35 Male
六、保存数据到 Excel 文件
处理完数据后，你可能需要将结果保存到一个新的 Excel 文件中。
代码示例：写入 Excel 文件
# 将 DataFrame 保存到新的 Excel 文件中
df.to_excel('output.xlsx', index=False)print("数据已保存到 output.xlsx")
解释
df.to_excel：pandas提供的to_excel方法用于将 DataFrame 保存到一个 Excel 文件中。index=False：这个参数表示不要将行索引保存到文件中。
输出示例
运行代码后，终端中会显示：
数据已保存到 output.xlsx
并且，你的项目目录中会生成一个名为 output.xlsx 的 Excel 文件，内容如下：
Name Age Gender
0 Alice 25 Female
1 Bob 30 Male
2 Charlie 35 Male
七、读取和合并多个 Excel 文件
7.1 场景概述
在实际项目中，你可能需要从多个 Excel 文件中读取数据，并将它们合并到一个 DataFrame 中。这在处理多个来源的数据时尤其有用。
7.2 代码示例：读取并合并多个 Excel 文件
假设你有多个 Excel 文件，它们有相同的结构，现在我们需要将这些文件合并到一个 DataFrame 中。
import pandas as pd
import glob# 获取所有 .xls 文件路径
file_list = glob.glob('data/*.xls')# 读取所有文件并合并为一个 DataFrame
df_list = [pd.read_excel(file, engine='xlrd') for file in file_list]
combined_df = pd.concat(df_list, ignore_index=True)# 显示合并后的 DataFrame
print(combined_df.head())
详细解释
- glob.glob(‘data/*.xls’)：使用
glob模块查找data目录下的所有.xls文件，返回一个文件路径的列表。 - pd.read_excel(file, engine=‘xlrd’)：使用
pandas的read_excel函数读取每个 Excel 文件，这里指定xlrd引擎来处理.xls文件。 - pd.concat(df_list, ignore_index=True)：将所有读取的 DataFrame 合并为一个大的 DataFrame，
ignore_index=True表示忽略原来的行索引，重新生成连续的索引。
输出示例
假设你有三个 Excel 文件，每个文件的内容类似于：
File 1:Name Age City
0 Alice 25 New YorkFile 2:Name Age City
0 Bob 30 Los AngelesFile 3:Name Age City
0 Charlie 35 Chicago
合并后的 DataFrame 输出如下：
Name Age City
0 Alice 25 New York
1 Bob 30 Los Angeles
2 Charlie 35 Chicago
7.3 实际应用场景
在项目中，你可以使用这个方法来合并多个 Excel 文件的数据，例如汇总多个部门的数据，或者处理分月份、分季度的财务报表。
八、数据清洗与缺失值处理
8.1 场景概述
在数据分析中，数据通常不完美，可能包含缺失值或异常值。你需要掌握如何清洗这些数据，以确保数据质量。
8.2 处理缺失数据
缺失值 是指在数据集中某些字段没有数据，这是常见的问题。我们可以选择删除包含缺失值的行，或者用其他值来填补缺失值。
代码示例：填充和删除缺失值
# 示例数据，假设从 Excel 读取的 DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie', None],'Age': [25, None, 35, 30],'City': ['New York', 'Los Angeles', None, 'Chicago']
}
df = pd.DataFrame(data)# 查看原始数据
print("原始数据:\n", df)# 填充缺失值
df_filled = df.fillna({'Name': '未知', 'Age': df['Age'].mean(), 'City': '未知'})
print("\n填充缺失值后的数据:\n", df_filled)# 删除包含缺失值的行
df_dropped = df.dropna()
print("\n删除缺失值后的数据:\n", df_dropped)
详细解释
- 填充缺失值：
- df.fillna({‘Name’: ‘未知’, ‘Age’: df[‘Age’].mean(), ‘City’: ‘未知’})：使用字典为不同列指定填充值。
Name列的缺失值用'未知'填充，Age列的缺失值用平均值填充，City列的缺失值用'未知'填充。
- df.fillna({‘Name’: ‘未知’, ‘Age’: df[‘Age’].mean(), ‘City’: ‘未知’})：使用字典为不同列指定填充值。
- 删除包含缺失值的行：
- df.dropna()：删除包含任何缺失值的行，返回一个新的 DataFrame。
输出示例
原始数据：
Name Age City
0 Alice 25.0 New York
1 Bob NaN Los Angeles
2 Charlie 35.0 None
3 None 30.0 Chicago
填充缺失值后的数据：
Name Age City
0 Alice 25.0 New York
1 Bob 30.0 Los Angeles
2 Charlie 35.0 未知
3 未知 30.0 Chicago
删除缺失值后的数据：
Name Age City
0 Alice 25.0 New York
9.3 实际应用场景
在项目中，数据清洗是必不可少的一步。你可以使用这些方法来处理数据集中的缺失值，确保数据完整性和一致性。
四、数据筛选与条件过滤
4.1 场景概述
有时你需要从大数据集中筛选出符合特定条件的数据，比如筛选出所有年龄大于 30 岁的人。
4.2 代码示例：筛选数据
# 示例数据
data = {'Name': ['Alice', 'Bob', 'Charlie', 'David'],'Age': [25, 30, 35, 28],'City': ['New York', 'Los Angeles', 'Chicago', 'San Francisco']
}
df = pd.DataFrame(data)# 筛选年龄大于 30 岁的数据
filtered_df = df[df['Age'] > 30]print("年龄大于 30 岁的数据:\n", filtered_df)
详细解释
- df[df[‘Age’] > 30]：这是
pandas中常见的条件筛选方法。它会返回一个新的 DataFrame，其中只包含满足条件（Age > 30）的行。
输出示例
Name Age City
2 Charlie 35 Chicago
4.3 实际应用场景
在项目中，你可以使用这种条件筛选方法来对数据进行初步分析，或者提取出特定子集的数据用于进一步处理。
五、高效的数据操作与分析
5.1 数据分组与聚合
数据分组和聚合是数据分析中非常常见的操作，它可以帮助你从大数据集中提取总结性信息。
代码示例：按城市分组并计算平均年龄
# 示例数据
data = {'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eva'],'Age': [25, 30, 35, 28, 40],'City': ['New York', 'Los Angeles', 'Chicago', 'New York', 'Chicago']
}
df = pd.DataFrame(data)# 按城市分组并计算平均年龄
grouped_df = df.groupby('City')['Age'].mean()print("按城市分组后的平均年龄:\n", grouped_df)
详细解释
- df.groupby(‘City’)[‘Age’].mean()：按
City列分组，然后计算每个组中Age列的平均值。groupby是pandas中的一个强大函数，常用于分组统计。
输出示例
City
Chicago 37.5
Los Angeles 30.0
New York 26.5
Name: Age, dtype: float64
5.2 数据透视表（Pivot Table）
数据透视表是一种将数据重新排列为易于分析的格式的工具，在数据汇总和分析中非常有用。
代码示例：创建数据透视表
# 示例数据
data = {'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Eva'],'Age': [25, 30, 35, 28, 40],'City': ['New York', 'Los Angeles', 'Chicago', 'New York', 'Chicago'],'Gender': ['Female', 'Male', 'Male', 'Male', 'Female']
}
df = pd.DataFrame(data)# 创建数据透视表，按城市和性别汇总平均年龄
pivot_table = pd.pivot_table(df, values='Age', index='City', columns='Gender', aggfunc='mean')print("数据透视表:\n", pivot_table)
详细解释
- pd.pivot_table(df, values=‘Age’, index=‘City’, columns=‘Gender’, aggfunc=‘mean’)：创建一个数据透视表，按城市和性别分组，计算每组的平均年龄。
输出示例
Gender Female Male
City
Chicago 40.0 35.0
Los Angeles NaN 30.0
New York 25.0 28.0
5.3 实际应用场景
在你的项目中，分组和数据透视表可以帮助你快速地对数据进行汇总和分析。例如，你可以按部门和性别统计员工的平均年龄，或者按产品和地区计算销售额的汇总。
