Como ler um arquivo .xlsx usando a biblioteca pandas no iPython?

103

Quero ler um arquivo .xlsx usando a biblioteca Pandas do python e transferir os dados para uma tabela postgreSQL.

Tudo o que pude fazer até agora é:

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

Agora eu sei que a etapa foi executada com sucesso, mas eu quero saber como posso analisar o arquivo excel que foi lido para que eu possa entender como os dados no Excel mapeiam para os dados nos dados variáveis.
Aprendi que data é um objeto Dataframe, se não estiver errado. Então, como faço para analisar este objeto dataframe para extrair cada linha linha por linha.

Sabareesh Kappagantu
fonte
8
df = pd.ExcelFile ('Nome do arquivo'). parse ('planilha 1'); consulte os documentos pandas.pydata.org/pandas-docs/dev/io.html#excel-files
Jeff

Respostas:

162

Normalmente crio um dicionário contendo um DataFramepara cada folha:

xl_file = pd.ExcelFile(file_name)

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

Atualização: Na versão 0.21.0+ do pandas, você obterá esse comportamento de forma mais limpa passando sheet_name=Nonepara read_excel:

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

Em 0,20 e anteriores, era em sheetnamevez de sheet_name(agora está obsoleto em favor do anterior):

dfs = pd.read_excel(file_name, sheetname=None)
Andy Hayden
fonte
Obrigado Andy. Isso funcionou. Agora, meu próximo passo a partir daqui é escrever isso em um banco de dados postgreSQL. Qual biblioteca é a melhor para ser usada? SQLAlchemy?
Sabareesh Kappagantu
Hmmm se você dissesse mysql - eu saberia a resposta , o postgres pode funcionar da mesma forma ... mas não 100%. (Seria uma boa pergunta.)
Andy Hayden
Eu sei como fazer. Eu usei Sqlalchemy. Você estava certo, é muito semelhante ao mysql. Envolveu a criação de um mecanismo e a coleta de metadados e a manipulação dos dados. Obrigado novamente Andy! :) Agradeço a ajuda.
Sabareesh Kappagantu
1
pandas.DataFrame.to_sqlpode ser útil. Para leitura, você pode usar os dp.pyobjetos Pandas DataFrame de retorno.
Finn Årup Nielsen
Estou tentando conseguir algo semelhante, mas usando 2 arquivos Excel xlsx para fazer um dataframe, gostaria de saber se você poderia dar uma olhada e me ajudar em como fazer isso. Pedi ajuda criando outra pergunta stackoverflow.com / questions / 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
fonte
11

O read_excelmétodo do DataFrame é como o 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
fonte
6

Em vez de usar um nome de planilha, caso você não saiba ou não consiga abrir o arquivo excel para verificar no ubuntu (no meu caso, Python 3.6.7, ubuntu 18.04), uso o parâmetro index_col (index_col = 0 para a primeira folha)

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
atormentar
fonte
1
Você também pode usar sheet_name=0ou nomear a planilha em vez de 0.
Plajerity
1
Certo, funciona. Porém, ele precisa da dependência xlrd. (pip3.7.4.exe install xlrd no Windows)
Harry
5

Atribuir o nome do arquivo da planilha a file

Carregar planilha

Imprima os nomes das folhas

Carregue uma planilha em um DataFrame por nome: df1

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

Se você usar read_excel()em um arquivo aberto com a função open(), certifique-se de adicionar rbà função abrir para evitar erros de codificação

Patrick Mutuku
fonte