¿Cómo leer un archivo .xlsx usando la biblioteca pandas en iPython?

102

Quiero leer un archivo .xlsx usando la biblioteca Pandas de python y transferir los datos a una tabla postgreSQL.

Todo lo que pude hacer hasta ahora es:

import pandas as pd
data = pd.ExcelFile("*File Name*")

Ahora sé que el paso se ejecutó con éxito, pero quiero saber cómo puedo analizar el archivo de Excel que se ha leído para poder entender cómo los datos en Excel se asignan a los datos en los datos variables.
Aprendí que los datos son un objeto Dataframe si no me equivoco. Entonces, ¿cómo analizo este objeto de marco de datos para extraer cada línea fila por fila?

Sabareesh Kappagantu
fuente
8
df = pd.ExcelFile ('Nombre de archivo'). parse ('hoja 1'); ver documentos pandas.pydata.org/pandas-docs/dev/io.html#excel-files
Jeff

Respuestas:

162

Normalmente creo un diccionario que contiene un DataFramepara cada hoja:

xl_file = pd.ExcelFile(file_name)

dfs = {sheet_name: xl_file.parse(sheet_name) 
          for sheet_name in xl_file.sheet_names}

Actualización: en la versión 0.21.0+ de pandas, obtendrá este comportamiento de manera más limpia al pasar sheet_name=Nonea read_excel:

dfs = pd.read_excel(file_name, sheet_name=None)

En 0.20 y antes, esto era en sheetnamelugar de sheet_name(ahora está en desuso a favor de lo anterior):

dfs = pd.read_excel(file_name, sheetname=None)
Andy Hayden
fuente
Gracias Andy. Esto funcionó. Ahora, mi siguiente paso desde aquí es escribir esto en una base de datos postgreSQL. ¿Qué biblioteca es la mejor para usar? SQLAlchemy?
Sabareesh Kappagantu
Mmmm, si dijeras mysql, sabría la respuesta , es posible que postgres funcione de manera similar ... aunque no al 100%. (Sería una buena pregunta.)
Andy Hayden
Tengo como hacerlo. Usé Sqlalchemy. Tenías razón, es bastante similar a mysql. Implicó crear un motor y luego recopilar los metadatos y jugar con los datos. ¡Gracias de nuevo Andy! :) Agradezco la ayuda.
Sabareesh Kappagantu
1
pandas.DataFrame.to_sqlpodría ser de ayuda. Para leer, puede usar los dp.pyobjetos que devuelven Pandas DataFrame.
Finn Årup Nielsen
Estoy tratando de lograr algo similar, pero al usar 2 archivos de Excel xlsx para hacer un marco de datos, me pregunto si podría echar un vistazo y ayudarme sobre cómo continuar con esto, pedí ayuda creando otra pregunta stackoverflow.com / preguntas / 16888888 /… @AndyHayden
Deepak M
25
from pandas import read_excel
# find your sheet name at the bottom left of your excel file and assign 
# it to my_sheet 
my_sheet = 'Sheet1' # change it to your sheet name
file_name = 'products_and_categories.xlsx' # change it to the name of your excel file
df = read_excel(file_name, sheet_name = my_sheet)
print(df.head()) # shows headers with top 5 rows
Hafizur Rahman
fuente
11

El read_excelmétodo de DataFrame es como el read_csvmétodo:

dfs = pd.read_excel(xlsx_file, sheetname="sheet1")


Help on function read_excel in module pandas.io.excel:

read_excel(io, sheetname=0, header=0, skiprows=None, skip_footer=0, index_col=None, names=None, parse_cols=None, parse_dates=False, date_parser=None, na_values=None, thousands=None, convert_float=True, has_index_names=None, converters=None, true_values=None, false_values=None, engine=None, squeeze=False, **kwds)
    Read an Excel table into a pandas DataFrame

    Parameters
    ----------
    io : string, path object (pathlib.Path or py._path.local.LocalPath),
        file-like object, pandas ExcelFile, or xlrd workbook.
        The string could be a URL. Valid URL schemes include http, ftp, s3,
        and file. For file URLs, a host is expected. For instance, a local
        file could be file://localhost/path/to/workbook.xlsx
    sheetname : string, int, mixed list of strings/ints, or None, default 0

        Strings are used for sheet names, Integers are used in zero-indexed
        sheet positions.

        Lists of strings/integers are used to request multiple sheets.

        Specify None to get all sheets.

        str|int -> DataFrame is returned.
        list|None -> Dict of DataFrames is returned, with keys representing
        sheets.

        Available Cases

        * Defaults to 0 -> 1st sheet as a DataFrame
        * 1 -> 2nd sheet as a DataFrame
        * "Sheet1" -> 1st sheet as a DataFrame
        * [0,1,"Sheet5"] -> 1st, 2nd & 5th sheet as a dictionary of DataFrames
        * None -> All sheets as a dictionary of DataFrames

    header : int, list of ints, default 0
        Row (0-indexed) to use for the column labels of the parsed
        DataFrame. If a list of integers is passed those row positions will
        be combined into a ``MultiIndex``
    skiprows : list-like
        Rows to skip at the beginning (0-indexed)
    skip_footer : int, default 0
        Rows at the end to skip (0-indexed)
    index_col : int, list of ints, default None
        Column (0-indexed) to use as the row labels of the DataFrame.
        Pass None if there is no such column.  If a list is passed,
        those columns will be combined into a ``MultiIndex``
    names : array-like, default None
        List of column names to use. If file contains no header row,
        then you should explicitly pass header=None
    converters : dict, default None
        Dict of functions for converting values in certain columns. Keys can
        either be integers or column labels, values are functions that take one
        input argument, the Excel cell content, and return the transformed
        content.
    true_values : list, default None
        Values to consider as True

        .. versionadded:: 0.19.0

    false_values : list, default None
        Values to consider as False

        .. versionadded:: 0.19.0

    parse_cols : int or list, default None
        * If None then parse all columns,
        * If int then indicates last column to be parsed
        * If list of ints then indicates list of column numbers to be parsed
        * If string then indicates comma separated list of column names and
          column ranges (e.g. "A:E" or "A,C,E:F")
    squeeze : boolean, default False
        If the parsed data only contains one column then return a Series
    na_values : scalar, str, list-like, or dict, default None
        Additional strings to recognize as NA/NaN. If dict passed, specific
        per-column NA values. By default the following values are interpreted
        as NaN: '', '#N/A', '#N/A N/A', '#NA', '-1.#IND', '-1.#QNAN', '-NaN', '-nan',
    '1.#IND', '1.#QNAN', 'N/A', 'NA', 'NULL', 'NaN', 'nan'.
    thousands : str, default None
        Thousands separator for parsing string columns to numeric.  Note that
        this parameter is only necessary for columns stored as TEXT in Excel,
        any numeric columns will automatically be parsed, regardless of display
        format.
    keep_default_na : bool, default True
        If na_values are specified and keep_default_na is False the default NaN
        values are overridden, otherwise they're appended to.
    verbose : boolean, default False
        Indicate number of NA values placed in non-numeric columns
    engine: string, default None
        If io is not a buffer or path, this must be set to identify io.
        Acceptable values are None or xlrd
    convert_float : boolean, default True
        convert integral floats to int (i.e., 1.0 --> 1). If False, all numeric
        data will be read in as floats: Excel stores all numbers as floats
        internally
    has_index_names : boolean, default None
        DEPRECATED: for version 0.17+ index names will be automatically
        inferred based on index_col.  To read Excel output from 0.16.2 and
        prior that had saved index names, use True.

    Returns
    -------
    parsed : DataFrame or Dict of DataFrames
        DataFrame from the passed in Excel file.  See notes in sheetname
        argument for more information on when a Dict of Dataframes is returned.
flowera
fuente
6

En lugar de usar un nombre de hoja, en caso de que no sepa o no pueda abrir el archivo de Excel para verificar en ubuntu (en mi caso, Python 3.6.7, ubuntu 18.04), uso el parámetro index_col (index_col = 0 para la primera hoja)

import pandas as pd
file_name = 'some_data_file.xlsx' 
df = pd.read_excel(file_name, index_col=0)
print(df.head()) # print the first 5 rows
Harry
fuente
1
También puede usar sheet_name=0o nombrar la hoja en lugar de 0.
Plajerity
1
Correcto, funciona. Sin embargo, necesita la dependencia xlrd. (pip3.7.4.exe instala xlrd en Windows)
Harry
5

Asignar nombre de archivo de hoja de cálculo a file

Cargar hoja de cálculo

Imprime los nombres de las hojas

Cargue una hoja en un DataFrame por nombre: df1

file = 'example.xlsx'
xl = pd.ExcelFile(file)
print(xl.sheet_names)
df1 = xl.parse('Sheet1')
danés
fuente
2

Si usa read_excel()en un archivo abierto usando la función open(), asegúrese de agregar rba la función abierta para evitar errores de codificación

Patrick Mutuku
fuente