使用Pandas合并excel文件
有一个这样的需求,有很多数据格式相同的excel文件分散在不同的目录,需要把它们的数据合到一个excel文件中,excel文件不多的情况下也许可以手工整理,假如有成百上千和文件要合并,手工合并将是很麻烦的事情,可以使用python语言的第三方库pandas来轻松解决这个问题。
先来梳理下实现的思路:
- 首先,遍历整个目录及子目录,识别出需要合并的excel文件,添加到合并文件列表。
- 接下来,使用pandas的read_excel方法读取所有的excel,将读取的数据对象添加到列表中。
- 最后,使用pandas的concat方法将pandas读取的excel数据对象列表合并,使用to_excel方法生成新的excel文件。
遍历文件
├─示例文件夹01
│ │ data_001.xlsx
│ │
│ └─文件夹001
│ data_002.xlsx
│
└─示例文件夹02
data_003.xlsx
本次示例文件目录结构如上所示,需要合并的excel文件名拥有"data_"前缀,可以使用os.walk方法遍历目录及子目录下的文件,我们在交互式命令中演示os.walk方法返回的结果。
>>> import os
>>> paths = os.walk("./")
>>> for item in paths:
... print(item)
...
('./', ['示例文件夹01', '示例文件夹02'], [])
('./示例文件夹01', ['文件夹001'], ['data_001.xlsx'])
('./示例文件夹01\\文件夹001', [], ['data_002.xlsx'])
('./示例文件夹02', [], ['data_003.xlsx'])
os.walk方法返回要遍历的目录及其子目录下的所有文件,它返回的是一个三元组(root, dirs, files),root表示的是当前正在遍历的文件夹,dirs是一个列表,内容是该文件夹下的目录(不包括子目录),files是一个列表,内容是root所表示的文件夹下的文件。那么,当找到files中一个匹配的excel文件,该文件的完整路径就可以通过root+file名拼接得到。
Pandas上手
pandas不是python标准库,需要使用pip install pandas进行安装,如果操作excel还需要安装openpyxl库,即pip install openpyxl
data_001.xlsx:
name age
a 11
b 12
data_002.xlsx:
name age
c 13
d 14
data_003.xlsx:
name age
e 15
f 16
本次示例中各excel文件的内容如上所示,虽然本文不会使用pandas的很多功能,这里还是在交互式命令中演示一些pandas的基本操作。另外,Pandas是非常强大的数据分析工具,其功能远远不止这里提到的一些皮毛,值得深入学习掌握。
>>> import pandas as pd
# DataFrame是一种表格型的数据结构,类似于二维数组
>>> df = pd.DataFrame([["a",11],["b",12]],columns=["名字","年龄"])
>>> df
名字 年龄
0 a 11
1 b 12
# 过滤名字为a的行
>>> df[df["名字"]=="a"]
名字 年龄
0 a 11
# 过滤年龄为12的行
>>> df[df["年龄"]==12]
名字 年龄
1 b 12
# 筛选名字这一列数据
>>> df["名字"]
0 a
1 b
Name: 名字, dtype: object
# 取单元格0行、1列的数据
>>> df.iloc[0,1]
11
# 取单元格1行、0列的数据
>>> df.iloc[1,0]
'b'
# 将数据输出为excel文件
>>> df.to_excel("excel_demo.xlsx")
上面to_excel方法生成excel文件内容如下图所示
合并excel文件
有了上面的基础,就可以开始实现合并excel文件的脚本了,参考代码如下
import os
import pandas as pd
# 合并当前目录及子目录下前缀为data_的excel文件
def mergeExcel(prefix="data_"):
# 遍历当前目录及子目录
paths = os.walk("./")
excel_list = []
for root, dirs, files in paths:
for file_name in files:
if file_name.startswith(prefix):
# 将满足data_前缀的excel文件路径+文件名添加到excel_list列表
excel_list.append(os.path.join(root, file_name))
dataframe_lst = []
print("开始合并excel文件...")
# 遍历每一个符合要求的excel文件
for excel_file in excel_list:
# pandas读取excel内容,并添加到dafaframe_lst列表
dataframe_lst.append(pd.read_excel(excel_file))
# 将dataframe_lst中的excel数据合并为一个DataFrame数据结构
dataframe_merged = pd.concat(dataframe_lst)
# 将合并的DataFrame生成新的excel文件
dataframe_merged.to_excel("合并文件.xlsx", index=False)
if __name__ == "__main__":
mergeExcel()
合并后的文件内容如下
更进一步,显示进度条
上面的脚本已经满足了最初的需求,但是在执行脚本的过程中看不到任何反馈,不知道什么时候脚本会执行结束,接下来为脚本添加进度条显示。可以使用使用tqdm包,执行命令pip install tqdm进行安装,tqdm包非常容易使用,增加了进度条的脚本执行结果显示如下,它是动态显示进度的,这里只是展示最终的结果。
> python .\merge.py
开始合并excel文件...
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████| 3/3 [00:00<00:00, 3.24it/s]
下面是增加了进度条功能的代码,可以发现除了导入tdqm的语句之外,只有一行代码与之前不同,使用tqdm非常简单,只需要将需要展示进度的任意可迭代的对象传给tqdm方法即可。
import os
import pandas as pd
from tqdm import tqdm
# 合并当前目录及子目录下前缀为data_的excel文件
def mergeExcel(prefix="data_"):
# 遍历当前目录及子目录
paths = os.walk("./")
excel_list = []
for root, dirs, files in paths:
for file_name in files:
if file_name.startswith(prefix):
# 将满足data_前缀的excel文件路径+文件名添加到excel_list列表
excel_list.append(os.path.join(root, file_name))
dataframe_lst = []
print("开始合并excel文件...")
# 遍历每一个符合要求的excel文件
for excel_file in tqdm(excel_list):
# pandas读取excel内容,并添加到dafaframe_lst列表
dataframe_lst.append(pd.read_excel(excel_file))
# 将dataframe_lst中的excel数据合并为一个DataFrame数据结构
dataframe_merged = pd.concat(dataframe_lst)
# 将合并的DataFrame生成新的excel文件
dataframe_merged.to_excel("合并文件.xlsx", index=False)
if __name__ == "__main__":
mergeExcel()
参考文献
[1]. 《流畅的python》17.5 显示下载进度并处理错误,第429页;
请先 后发表评论~