1. 读取数据

df = pd.read_excel（"地址",io, sheet_name=0, header=0, names=None, index_col=None, usecols=None, squeeze=False, dtype=None, engine=None, converters=None, true_values=None, false_values=None, skiprows=None, nrows=None, na_values=None, keep_default_na=True, verbose=False, parse_dates=False, date_parser=None, thousands=None, comment=None, skipfooter=0, convert_float=True, mangle_dupe_cols=True, **kwds)

地址：本地相对路径/本地绝对路径/使用URL

1.1 表格

sheet_name=0 #第一个sheet；

sheet_name=None #所有sheet；

sheet_name="名称" #指定sheet的名称；

sheet_name=[0, 1, "sheet5"] #读取第一个，第二个，表名为sheet5的表格；

1.2 表头

header=0；表示第一行为表头；

header=None # 不设表头；

header=[0, 1]) # 两层表头，多层索引；

1.3 列名

names=['姓名', '年龄', '成绩'] #选定姓名、年龄、成绩列；

names=c_list) # 传入列表变量；

names=None # 没有表头，需要设置为None；

1.4 索引

index_col=False # 不再使用首列作为索引

index_col=0 # 第几列是索引；也可用 df.set_index("目标列名", inplace=Ture) 创建索引列；

index_col='年份' # 指定列名

index_col=['a','b'] # 多个索引

index_col=[0, 3] # 按列索引指定多个索引

1.5 使用部分列

usecols=[0,4,3] # 按索引只读取指定列，与顺序无关

usecols=['列1', '列5'] # 按列名，列名必须存在

pd.read_excel(data, usecols=['列1', '列5'])[['列5', '列1']]# 指定列顺序，其实是df的筛选功能

usecols=lambda x: x.upper() in ['COL3', 'COL1']# 以下用callable方式可以巧妙指定顺序，in后面的是我们要的顺序

1.6 返回序列

squeeze=True #将squeeze设置为True，如果文件只包含一列，则返回一个Series，

如果有多列，则还是返回DataFrame。

1.7 数据类型

dtype=np.float64 # 所有数据均为此数据类型

dtype={'c1':np.float64, 'c2': str} # 指定字段的类型

dtype=[datetime, datetime, str, float] # 依次指定字段的类型

1.8 引擎

engine=None# 格式为engine=None，其中可选值有{'c', 'python'}

1.9 真假值转换

true_values=['Yes'], false_values=['No']) # 列表，默认为None，真值为Yes，假值为No；

1.10 跳过指定行

skiprows=2 # 跳过前三行;

skiprows=range(2) # 跳过前三行;

skiprows=[24,234,141] # 跳过指定行;

skiprows=np.array([2, 6, 11]) # 跳过指定行;

skiprows=lambda x: x % 2 != 0 # 隔行跳过;

skipfooter=1 # 最后一行不加载;

skip_blank_lines=False # skip_blank_lines指定是否跳过空行，如果为True，则跳过空行，否

则数据记为NaN

1.11 读取指定行

# int类型，默认为None

nrows=1000

1.12 符号

thousands=',' # 设置千分位分隔符thousands；

decimal="," # 小数点decimal，识别为小数点的字符

深入浅出Pandas：利用Python进行数据处理与分析 (李庆辉) 读书笔记相关推荐

《深入浅出Pandas：利用Python进行数据处理与分析》——第3部分数据形式变化_01分组聚合
文章目录分组聚合操作分组器分组对象查看 apply/pipe/transform 数据分箱(data binning),或离散组合或数据分桶分组可视化,pandas提供的简单的与分组相关的可视 ...
利用python进行股票技术分析--以茅台为例
""" 利用python进行股票技术分析–以茅台为例通过下述策略对利用python进行股票技术分析,可以举一反三,并且能够实现复杂的技术分析策略,同时可以同python ...
如何利用python实现灰色关联分析？
1.灰色关联分析简介灰色系统这个概念是相对于白色系统和黑色系统而言的.从控制论的知识里,颜色一般代表对于一个系统我们已知信息的多少,白色代表信息量充足,黑色代表我们其中的构造并不清楚的系统,而灰色介 ...
pythonallowpos_利用Python抓取并分析京东商品评论数据
2.1 内容简介本章主要介绍如何利用Python抓取京东商城商品评论信息,并对这些评论信息进行分析和可视化.下面是要抓取的商品信息,一款女士文胸.这个商品共有红色,黑色和肤色等颜色, 70B到90D ...
利用python进行微信好友分析
欢迎python爱好者加入:学习交流群 667279387 本文主要利用python对个人微信好友进行分析并把结果输出到一个html文档当中,主要用到的python包为itchat,pandas,py ...
明星不是梦#利用Python进行网站日志分析
网站的访问日志是一个非常重要的文件,通过分析访问日志,能够挖掘出很多有价值的信息.本文介绍如何利用Python对一个真实网站的访问日志进行分析,文中将综合运用Python文件操作.字符串处理.列表.集 ...
python 怎么爬桌软件数据_如何利用Python爬取并分析红岭创投的数据？
第一步:爬取数据通过 selenium + Firefox 的无头模式将需要的数据爬取出来,代码实现不在赘述,详细步骤可查看我的上一篇图文(如何利用Python爬取网易新闻), 由于 seleniu ...
《Python数据抓取与实战》读书笔记：第2章
目录第2章字符串解析 2.1 常用函数 2.2 正则表达式 2.3 Beautiful Soup 2.4 json结构第2章字符串解析本章介绍Python处理字符串的基本方法,包括Pytho ...
数据挖掘——如何利用Python实现产品关联性分析apriori算法篇
在实际业务场景中,我们常常会探讨到产品的关联性分析,本篇文章将会介绍一下如何在Python环境下如何利用apriori算法进行数据分析. 1.准备工作如果需要在Python环境下实现apriori算 ...

深入浅出Pandas：利用Python进行数据处理与分析 (李庆辉) 读书笔记