Usando Pandas para pd.read_excel () para múltiples hojas de trabajo del mismo libro de trabajo

Tengo un archivo de hoja de cálculo grande (.xlsx) que estoy procesando con los pandas de Python. Sucede que necesito datos de dos pestañas en ese archivo grande. Una de las pestañas tiene una tonelada de datos y la otra son solo unas pocas celdas cuadradas.

Cuando uso pd.read_excel () en cualquier hoja de trabajo, me parece que todo el archivo está cargado (no solo la hoja de trabajo que me interesa). Entonces, cuando uso el método dos veces (una para cada hoja), efectivamente tengo que sufrir que todo el libro se lea dos veces (aunque solo usemos la hoja especificada).

¿Lo estoy usando mal o solo está limitado de esta manera?

¡Gracias!

Prueba pd.ExcelFile:

xls = pd.ExcelFile('path_to_file.xls')
df1 = pd.read_excel(xls, 'Sheet1')
df2 = pd.read_excel(xls, 'Sheet2')

Como señaló @HaPsantran, todo el archivo de Excel se lee durante la ExcelFile()llamada (no parece haber una forma de evitarlo ). Esto simplemente le ahorra tener que leer el mismo archivo cada vez que desea acceder a una nueva hoja.

Tenga en cuenta que el sheet_nameargumento pd.read_excel()puede ser el nombre de la hoja (como arriba), un número entero que especifica el número de hoja (por ejemplo, 0, 1, etc.), una lista de nombres o índices de hoja, o None. Si se proporciona una lista, devuelve un diccionario donde las claves son los nombres / índices de la hoja y los valores son los marcos de datos. El valor predeterminado es simplemente devolver la primera hoja (es decir, sheet_name=0).

Si Nonese especifica, todas las hojas se devuelven, como un {sheet_name:dataframe}diccionario.

Hay 3 opciones:

Lea todas las hojas directamente en un diccionario ordenado.

import pandas as pd

# for pandas version >= 0.21.0
sheet_to_df_map = pd.read_excel(file_name, sheet_name=None)

# for pandas version < 0.21.0
sheet_to_df_map = pd.read_excel(file_name, sheetname=None)

Gracias @ihightower por señalarlo y @toto_tico por señalar el problema de la versión.

Lea la primera hoja directamente en el marco de datos

df = pd.read_excel('excel_file_path.xls')
# this will read the first sheet into df

Lea el archivo de Excel y obtenga una lista de hojas. Luego elija y cargue las sábanas.

xls = pd.ExcelFile('excel_file_path.xls')

# Now you can list all sheets in the file
xls.sheet_names
# ['house', 'house_extra', ...]

# to read just one sheet to dataframe:
df = pd.read_excel(file_name, sheetname="house")

Lea todas las hojas y guárdelas en un diccionario. Igual que el primero pero más explícito.

# to read all sheets to a map
sheet_to_df_map = {}
for sheet_name in xls.sheet_names:
    sheet_to_df_map[sheet_name] = xls.parse(sheet_name)

Actualización: Gracias @toto_tico por señalar el problema de la versión.

sheetname: string, int, lista mixta de cadenas / ints, o None, por defecto 0 Desaprobado desde la versión 0.21.0: Use sheet_name en su lugar Source Link

También puede usar el índice para la hoja:

xls = pd.ExcelFile('path_to_file.xls')
sheet1 = xls.parse(0)

le dará la primera hoja de trabajo. para la segunda hoja de trabajo:

sheet2 = xls.parse(1)

También puede especificar el nombre de la hoja como parámetro:

data_file = pd.read_excel('path_to_file.xls', sheet_name="sheet_name")

cargará solo la hoja "sheet_name".

pd.read_excel('filename.xlsx') 

de manera predeterminada, lea la primera hoja de trabajo.

pd.read_excel('filename.xlsx', sheet_name = 'sheetname') 

lea la hoja específica del libro de trabajo y

pd.read_excel('filename.xlsx', sheet_name = None) 

lea todas las hojas de trabajo desde Excel hasta el marco de datos de pandas como un tipo de OrderedDict significa marcos de datos anidados, todas las hojas de trabajo como marcos de datos recopilados dentro del marco de datos y su tipo es OrderedDict.

Sí, desafortunadamente siempre cargará el archivo completo. Si está haciendo esto repetidamente, probablemente sea mejor extraer las hojas para separar los CSV y luego cargarlas por separado. Puede automatizar ese proceso con d6tstack que también agrega características adicionales como verificar si todas las columnas son iguales en todas las hojas o en varios archivos de Excel.

import d6tstack
c = d6tstack.convert_xls.XLStoCSVMultiSheet('multisheet.xlsx')
c.convert_all() # ['multisheet-Sheet1.csv','multisheet-Sheet2.csv']

Ver ejemplos de Excel d6tstack

Si ha guardado el archivo de Excel en la misma carpeta que su programa Python (direccionamiento relativo), entonces solo necesita mencionar el número de hoja junto con el nombre del archivo. Sintaxis = pd.read_excel (Nombre de archivo, SheetNo) Ejemplo:

    data=pd.read_excel("wt_vs_ht.xlsx","Sheet2")
    print(data)
    x=data.Height
    y=data.Weight
    plt.plot(x,y,'x')
    plt.show()