当前位置:   article > 正文

python操作excel_关于Python自动化操作Excel的36个Python函数【面试必学】

查询并输出数据的前10行和后10行excel

7036b684a9f26e0c6ef5d18257e514b2.png

从Excel到Python:最常用的36个Pandas函数
关于Excel,你一定用的到的36个Python函数

54bb753d69e75c7e4679a528adfc3936.png
python

本文涉及pandas最常用的36个函数,通过这些函数介绍如何完成数据生成和导入、数据清洗、预处理,以及最常见的数据分类,数据筛选,分类汇总,透视等最常见的操作。另外#在学习Python的过程中,往往因为没有好的教程或者没人指导从而导致自己容易放弃,为此我建了个Python交流.裙 :一久武其而而流一思(数字的谐音)转换下可以找到了,里面有最新Python教程项目可拿,不懂的问题多跟里面的人交流,都会解决哦!

生成数据表

常见的生成数据表的方法有两种,第一种是导入外部数据,第二种是直接写入数据。

Excel中的“文件”菜单中提供了获取外部数据的功能,支持数据库和文本文件和页面的多种数据源导入。

a5f59066dfdc04458ce0ed27508e2599.png

5640485f6031e4de4ed0c68445ce8146.png

Python支持从多种类型的数据导入。在开始使用Python进行数据导入前需要先导入numpy和pandas库

import numpy as np import pandas as pd

5640485f6031e4de4ed0c68445ce8146.png

导入外部数据

df=pd.DataFrame(pd.read_csv('name.csv',header=1)) df=pd.DataFrame(pd.read_Excel('name.xlsx'))c

5640485f6031e4de4ed0c68445ce8146.png

里面有很多可选参数设置,例如列名称、索引列、数据格式等

直接写入数据

df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], "date":pd.date_range('20130102', periods=6), "city":['Beijing ', 'SH', ' guangzhou ', 'Shen zhen', 'shanghai', 'BEIJING '], "age":[23,44,54,32,34,32], "category":['100-A','100-B','110-A','110-C','2 10-A','130-F'], "price":[1200,np.nan,2133,5433,np.nan,4432]}, columns =['id','date','city','category','age', 'price'])

5640485f6031e4de4ed0c68445ce8146.png

fd63b47ce1de9663f24deb131d1bfc5b.png

5640485f6031e4de4ed0c68445ce8146.png

数据表检查

数据表检查的目的是了解数据表的整体情况,获得数据表的关键信息、数据的概况,例如整个数据表的大小、所占空间、数据格式、是否有 空值和重复项和具体的数据内容,为后面的清洗和预处理做好准备。

1.数据维度(行列)

Excel中可以通过CTRL+向下的光标键,和CTRL+向右的光标键 来查看行号和列号。Python中使用shape函数来查看数据表的维度,也就是行数和列数。

df.shape

5640485f6031e4de4ed0c68445ce8146.png

2.数据表信息

使用info函数查看数据表的整体信息,包括数据维度、列名称、数据格式和所占空间等信息。#数据表信息

http://df.info() <class 'pandas.core.frame.DataFrame'> RangeIndex: 6 entries, 0 to 5 Data columns (total 6 columns): id 6 non-null int64 date 6 non-null datetime64[ns] city 6 non-null object category 6 non-null object age 6 non-null int64 price 4 non-null float64 dtypes: datetime64[ns](1), float64(1), int64(2), object(2) memory usage: 368.0+ bytes

5640485f6031e4de4ed0c68445ce8146.png

3.查看数据格式

Excel中通过选中单元格并查看开始菜单中的数值类型来判断数 据的格式。Python中使用dtypes函数来返回数据格式。

68f389a95f17dbbb8d7957bbea54768d.png

5640485f6031e4de4ed0c68445ce8146.png

Dtypes是一个查看数据格式的函数,可以一次性查看数据表中所 有数据的格式,也可以指定一列来单独查看

#查看数据表各列格式 df.dtypes id int64 date datetime64[ns] city object category object age int64 price float64 dtype: object #查看单列格式 df['B'].dtype dtype('int64')

5640485f6031e4de4ed0c68445ce8146.png

4.查看空值

Excel中查看空值的方法是使用“定位条件”在“开始”目录下的“查找和选择”目录.

a792fd237bdd919a05ba1e68310b6167.png

5640485f6031e4de4ed0c68445ce8146.png

Isnull是Python中检验空值的函数

#检查数据空值 df.isnull()

5640485f6031e4de4ed0c68445ce8146.png

0e2c6624b8efd42c902a0fa360fc3b9d.png

5640485f6031e4de4ed0c68445ce8146.png

#检查特定列空值 df['price'].isnull()

5640485f6031e4de4ed0c68445ce8146.png

ae994193532e660ad3c8e5b37e1adbb1.png

5640485f6031e4de4ed0c68445ce8146.png

5.查看唯一值

Excel中查看唯一值的方法是使用“条件格式”对唯一值进行颜色 标记。

2d43ad05e5409e76f6c3b3f21b1bc8c6.png

5640485f6031e4de4ed0c68445ce8146.png

Python中使用unique函数查看唯一值。

#查看city列中的唯一值 df['city'].unique() array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', ' BEIJING '], dtype=object)

5640485f6031e4de4ed0c68445ce8146.png

6.查看数据表数值

Python中的Values函数用来查看数据表中的数值

#查看数据表的值 df.values

9a3339472c6e12acd0639fe2bee7d0e5.png

5640485f6031e4de4ed0c68445ce8146.png

7.查看列名称

Colums函数用来单独查看数据表中的列名称。

#查看列名称 df.columns Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype=' object')

5640485f6031e4de4ed0c68445ce8146.png

8.查看前10行数据

Head函数用来查看数据表中的前N行数据

#查看前3行数据 df.head(3)

5640485f6031e4de4ed0c68445ce8146.png

9.查看后10行数据

Tail行数与head函数相反,用来查看数据表中后N行的数据

#查看最后3行 df.tail(3)

5640485f6031e4de4ed0c68445ce8146.png

数据表清洗

本章介绍对数据表中的问题进行清洗,包括对空值、大小写问题、数据格式和重复值的处理。

1.处理空值(删除或填充)

Excel中可以通过“查找和替换”功能对空值进行处理

3ba1ab96ca2042ed23b07cb35ec54227.png

5640485f6031e4de4ed0c68445ce8146.png

Python中处理空值的方法比较灵活,可以使用 Dropna函数用来删除数据表中包含空值的数据,也可以使用fillna函数对空值进行填充。

#删除数据表中含有空值的行 df.dropna(how='any')

5640485f6031e4de4ed0c68445ce8146.png

59c9d47b47078e9828929278c46df221.png

5640485f6031e4de4ed0c68445ce8146.png

也可以使用数字对空值进行填充

#使用数字0填充数据表中空值 df.fillna(value=0)

5640485f6031e4de4ed0c68445ce8146.png

使用price列的均值来填充NA字段,同样使用fillna函数,在要填充的数值中使用mean函数先计算price列当前的均值,然后使用这个均值对NA进行填充。

#使用price均值对NA进行填充 df['price'].fillna(df['price'].mean()) Out[8]: 0 1200.0 1 3299.5 2 2133.0 3 5433.0 4 3299.5 5 4432.0 Name: price, dtype: float64

5640485f6031e4de4ed0c68445ce8146.png

8083750a09fd89562acad51d870c8e54.png

5640485f6031e4de4ed0c68445ce8146.png

2.清理空格

字符中的空格也是数据清洗中一个常见的问题

#清除city字段中的字符空格 df['city']=df['city'].map(str.strip)

5640485f6031e4de4ed0c68445ce8146.png

3.大小写转换

在英文字段中,字母的大小写不统一也是一个常见的问题。Excel中有UPPER,LOWER等函数,Python中也有同名函数用来解决 大小写的问题。

#city列大小写转换 df['city']=df['city'].str.lower()

5640485f6031e4de4ed0c68445ce8146.png

4cdff905e2fd3a32fe41e472392c4625.png

5640485f6031e4de4ed0c68445ce8146.png

4.更改数据格式

Excel中通过“设置单元格格式”功能可以修改数据格式。

91a4bf318d1c1caa6cb4a4ba0c0bfbc0.png

5640485f6031e4de4ed0c68445ce8146.png

Python中通过astype函数用来修改数据格式。

#更改数据格式 df['price'].astype('int') 0 1200 1 3299 2 2133 3 5433 4 3299 5 4432 Name: price, dtype: int32

5640485f6031e4de4ed0c68445ce8146.png

5.更改列名称

Rename是更改列名称的函数,我们将来数据表中的category列更改为category-size。

#更改列名称 df.rename(columns={'category': 'category-size'})

5640485f6031e4de4ed0c68445ce8146.png

ceb433d427a36c5012cd130ebfe95f1c.png

5640485f6031e4de4ed0c68445ce8146.png

6.删除重复值

Excel的数据目录下有“删除重复项”的功能

0d009fadc285129df6581a1818f1be5f.png

5640485f6031e4de4ed0c68445ce8146.png

Python中使用drop_duplicates函数删除重复值

df['city'] 0 beijing 1 sh 2 guangzhou 3 shenzhen 4 shanghai 5 beijing Name: city, dtype: object

5640485f6031e4de4ed0c68445ce8146.png

city列中beijing存在重复,分别在第一位和最后一位 drop_duplicates()函数删除重复值

#删除后出现的重复值 df['city'].drop_duplicates() 0 beijing 1 sh 2 guangzhou 3 shenzhen 4 shanghai Name: city, dtype: object

5640485f6031e4de4ed0c68445ce8146.png

设置keep='last‘’参数后,与之前删除重复值的结果相反,第一位 出现的beijing被删除

#删除先出现的重复值 df['city'].drop_duplicates(keep='last') 1 sh 2 guangzhou 3 shenzhen 4 shanghai 5 beijing Name: city, dtype: objec

5640485f6031e4de4ed0c68445ce8146.png

7.数值修改及替换

Excel中使用“查找和替换”功能就可以实现数值的替换

8c7f66c0ae713aecde9755a8f14117bb.png

5640485f6031e4de4ed0c68445ce8146.png

Python中使用replace函数实现数据替换

#数据替换 df['city'].replace('sh', 'shanghai') 0 beijing 1 shanghai 2 guangzhou 3 shenzhen 4 shanghai 5 beijing Name: city, dtype: object

5640485f6031e4de4ed0c68445ce8146.png

数据预处理

本章主要讲的是数据的预处理,对清洗完的数据进行整理以便后期的统计和分析工作。主要包括数据表的合并,排序,数值分列,数据分组及标记等工作。

1.数据表合并

在Excel中没有直接完成数据表合并的功能,可以通过VLOOKUP函数分步实现。在Python中可以通过merge函数一次性实现。

#建立df1数据表 df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008], "gender":['male','female','male','female','male ','female','male','female'], "pay":['Y','N','Y','Y','N','Y','N','Y',], "m-point":[10,12,20,40,40,40,30,20]})

5640485f6031e4de4ed0c68445ce8146.png

bad67d028eddaa802152b44285bb1937.png

5640485f6031e4de4ed0c68445ce8146.png

使用merge函数对两个数据表进行合并,合并的方式为inner,将 两个数据表中共有的数据匹配到一起生成新的数据表。并命名为 df_inner。

#数据表匹配合并 df_inner=pd.merge(df,df1,how='inner')

5640485f6031e4de4ed0c68445ce8146.png

e8da1a7cfcc9c689adceab3898e47a97.png

5640485f6031e4de4ed0c68445ce8146.png

合并的方式还有left,right和outer方式

df_left=pd.merge(df,df1,how='left') df_right=pd.merge(df,df1,how='right') df_outer=pd.merge(df,df1,how='outer')

5640485f6031e4de4ed0c68445ce8146.png

2.设置索引列

索引列可以进行数据提取,汇总,数据筛选

#设置索引列 df_inner.set_index('id')

5640485f6031e4de4ed0c68445ce8146.png

2db4bdf72d7d6485ed5e893dad3f5ff5.png

5640485f6031e4de4ed0c68445ce8146.png

3.排序(按索引,按数值)

Excel中可以通过数据目录下的排序按钮直接对数据表进行排 序

43adf46cd522c756fade6b130028f19a.png

5640485f6031e4de4ed0c68445ce8146.png

Python中需要使用ort_values函数和sort_index函数完成排序

#按特定列的值排序 df_inner.sort_values(by=['age'])

5640485f6031e4de4ed0c68445ce8146.png

ecdf2228864389c41c16bb40b619ee87.png

5640485f6031e4de4ed0c68445ce8146.png

Sort_index函数用来将数据表按索引列的值进行排序。

#按索引列排序 df_inner.sort_index()

5640485f6031e4de4ed0c68445ce8146.png

9e02193c6ae965610da6631deeb9f4f7.png

5640485f6031e4de4ed0c68445ce8146.png

4.数据分组

Excel中可以通过VLOOKUP函数进行近似匹配来完成对数值的分组,或者使用“数据透视表”来完成分组

Python中使用Where函数用来对数据进行判断和分组

#如果price列的值>3000,group列显示high,否则显示low df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low ')

5640485f6031e4de4ed0c68445ce8146.png

c4de7cdf8ede03d876595eb988642833.png

5640485f6031e4de4ed0c68445ce8146.png

还可以对多个字段的值进行判断后对数据进行分组,下面的代码中对city列等于beijing并且price列大于等于4000的数据标记为1。

#对复合多个条件的数据进行分组标记 df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

5640485f6031e4de4ed0c68445ce8146.png

ea8f47bf6030ed259dd94363e6cc31c6.png

5640485f6031e4de4ed0c68445ce8146.png

5.数据分列

Excel中的数据目录下提供“分列”功能。

26c58c0bd2056754fd562f668ee1f744.png

5640485f6031e4de4ed0c68445ce8146.png

在Python中使用split函数实现分列在数据表中category列中的数据包含有两个信息,前面的数字为类别id,后面的字母为size值。中间以连字符进行连接。我们使用split函数对这个字段进行拆分,并将拆分后的数据表匹配回原数据表中。

#对category字段的值依次进行分列,并创建数据表,索引值为df_inner的索引列,列名称为category和size pd.DataFrame((x.split('-') for x in df_inner['category']),index=d f_inner.index,columns=['category','size'])

5640485f6031e4de4ed0c68445ce8146.png

9b2f2056deeef694302fba5a9f2aafa7.png

5640485f6031e4de4ed0c68445ce8146.png

#将完成分列后的数据表与原df_inner数据表进行匹配 df_inner=pd.merge(df_inner,split,right_index=True, left_index=Tru e)

5640485f6031e4de4ed0c68445ce8146.png

82d47d8c0bf4b81b65c1992adffc5f2e.png

5640485f6031e4de4ed0c68445ce8146.png

数据提取

1.按标签提取(loc)

#按索引提取单行的数值 df_inner.loc[3] id 1004 date 2013-01-05 00:00:00 city shenzhen category 110-C age 32 price 5433 gender female m-point 40 pay Y group high sign NaN category_1 110 size C Name: 3, dtype: object

5640485f6031e4de4ed0c68445ce8146.png

使用冒号可以限定提取数据的范围,冒号前面为开始的标签值后面为结束的标签值。

#按索引提取区域行数值 df_inner.loc[0:5]

5640485f6031e4de4ed0c68445ce8146.png

e213db76662cfd1380502b2916c94c3b.png

5640485f6031e4de4ed0c68445ce8146.png

Reset_index函数用于恢复索引,这里我们重新将date字段的日期 设置为数据表的索引,并按日期进行数据提取。

#重设索引 df_inner.reset_index()

5640485f6031e4de4ed0c68445ce8146.png

8653d24549f3fa60b4af0b67b80f05d7.png

5640485f6031e4de4ed0c68445ce8146.png

#设置日期为索引 df_inner=df_inner.set_index('date')

5640485f6031e4de4ed0c68445ce8146.png

286e4a452e323171704b891112703a7b.png

5640485f6031e4de4ed0c68445ce8146.png

#提取4日之前的所有数据 df_inner[:'2013-01-04']

5640485f6031e4de4ed0c68445ce8146.png

2c756b9fda5251b39195e45b01b36c63.png

5640485f6031e4de4ed0c68445ce8146.png

2.按位置提取(iloc)

使用iloc函数按位置对数据表中的数据进行提取,这里冒号前后 的数字不再是索引的标签名称,而是数据所在的位置,从0开始。

#使用iloc按位置区域提取数据 df_inner.iloc[:3,:2]

5640485f6031e4de4ed0c68445ce8146.png

bb79b8e73f07f903b0a60c4f7b88e510.png

5640485f6031e4de4ed0c68445ce8146.png

iloc函数除了可以按区域提取数据,还可以按位置逐条提取

#使用iloc按位置单独提取数据 df_inner.iloc[[0,2,5],[4,5]]

5640485f6031e4de4ed0c68445ce8146.png

前面方括号中的0,2,5表示数据所在行的位置,后面方括号中的数表示所在列的位置。

65d69452425fb8a060a804a4b1d569a7.png

5640485f6031e4de4ed0c68445ce8146.png

3.按标签和位置提取(ix)

ix是loc和iloc的混合,既能按索引标签提取,也能按位置进行数 据提取.

#使用ix按索引标签和位置混合提取数据 df_inner.ix[:'2013-01-03',:4]

5640485f6031e4de4ed0c68445ce8146.png

4107395d74cc4466e724b21903fa2826.png

5640485f6031e4de4ed0c68445ce8146.png

4.按条件提取(区域和条件值)

使用loc和isin两个函数配合使用,按指定条件对数据进行提取

#判断city列的值是否为beijing df_inner['city'].isin(['beijing']) date 2013-01-02 True 2013-01-05 False 2013-01-07 True 2013-01-06 False 2013-01-03 False 2013-01-04 False Name: city, dtype: bool

5640485f6031e4de4ed0c68445ce8146.png

将isin函数嵌套到loc的数据提取函数中,将判断结果为Ture数据 提取出来。这里我们把判断条件改为city值是否为beijing和shanghai。如果是就把这条数据提取出来。

#先判断city列里是否包含beijing和shanghai,然后将复合条件的数据提取出来。 df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

5640485f6031e4de4ed0c68445ce8146.png

b48b899c7434850f10882e5c4f8ab201.png

5640485f6031e4de4ed0c68445ce8146.png

数据筛选

按条件筛选(与、或、非)

Excel数据目录下提供了“筛选”功能,用于对数据表按不同的条 件进行筛选。

e53894fd3b149d82f5b86f39afee5c76.png

5640485f6031e4de4ed0c68445ce8146.png

Python中使用loc函数配合筛选条件来完成筛选功能。配合sum和count函数还能实现Excel中sumif和countif函数的功能。使用“与”条件进行筛选,条件是年龄大于25岁,并且城市为 beijing。

#使用“与”条件进行筛选 df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beiji ng'), ['id','city','age','category','gender']]/

5640485f6031e4de4ed0c68445ce8146.png

3a4e56131969793db13e0de496f479ae.png

5640485f6031e4de4ed0c68445ce8146.png

#使用“或”条件筛选 df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beiji ng'), ['id','city','age','category','gender']].sort(['age'])

5640485f6031e4de4ed0c68445ce8146.png

ffd1b4454b97eacc5b4d58e1e55a1120.png

5640485f6031e4de4ed0c68445ce8146.png

#使用“非”条件进行筛选 df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age', 'category','gender']].sort(['id'])

5640485f6031e4de4ed0c68445ce8146.png

598bb8478b819963f18abca1bdd3e3d4.png

5640485f6031e4de4ed0c68445ce8146.png

在前面的代码后面增加city列,并使用count函数进行计数。相当于Excel中的countifs函数的功能

#对筛选后的数据按city列进行计数 df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age', 'category','gender']].sort(['id']).city.count()

5640485f6031e4de4ed0c68445ce8146.png

还有一种筛选的方式是用query函数

#使用query函数进行筛选 df_inner.query('city == ["beijing", "shanghai"]')

5640485f6031e4de4ed0c68445ce8146.png

ddc7bc120e0bdd2cacc46ac267b12dd4.png

5640485f6031e4de4ed0c68445ce8146.png

在前面的代码后增加price字段和sum函数。对筛选后的price字段 进行求和,相当于Excel中的sumifs函数的功能。

#对筛选后的结果按price进行求和 df_inner.query('city == ["beijing", "shanghai"]').price.sum() 12230

5640485f6031e4de4ed0c68445ce8146.png

数据汇总

Excel中使用分类汇总和数据透视可以按特定维度对数据进行汇总,Python中使用的主要函数是groupby和pivot_table。

1.分类汇总

#对所有列进行计数汇总 df_inner.groupby('city').count()/

5640485f6031e4de4ed0c68445ce8146.png

aeb1d9dc7c7e6129db7e24603a1e7ac9.png

5640485f6031e4de4ed0c68445ce8146.png

#对特定的ID列进行计数汇总 df_inner.groupby('city')['id'].count() city beijing 2 guangzhou 1 shanghai 2 shenzhen 1 Name: id, dtype: int64

5640485f6031e4de4ed0c68445ce8146.png

#对两个字段进行汇总计数 df_inner.groupby(['city','size'])['id'].count() city size beijing A 1 F 1 guangzhou A 1 shanghai A 1 B 1 shenzhen C 1 Name: id, dtype: int64

5640485f6031e4de4ed0c68445ce8146.png

还可以对汇总后的数据同时按多个维度进行计算

#对city字段进行汇总并计算price的合计和均值。 df_inner.groupby('city')['price'].agg([len,np.sum, np.mean])

5640485f6031e4de4ed0c68445ce8146.png

0491b8189ee0207ad8c30ccc5f506872.png

5640485f6031e4de4ed0c68445ce8146.png

2.数据透视

1f89abaa29c04b3ce2a6afe6cf7f4e64.png

5640485f6031e4de4ed0c68445ce8146.png

Python中通过pivot_table函数实现同样的效果

#设定city为行字段,size为列字段,price为值字段。 分别计算price的数量和金额并且按行与列进行汇总。 pd.pivot_table(df_inner,index=["city"],values=["price"],columns=[ "size"],aggfunc=[len,np.sum],fill_value=0,margins=True)

5640485f6031e4de4ed0c68445ce8146.png

e61152affa81a42a5772e0ebb3a7f833.png

5640485f6031e4de4ed0c68445ce8146.png

数据统计

1.数据采样

Excel的数据分析功能中提供了数据抽样的功能

e61152affa81a42a5772e0ebb3a7f833.png

5640485f6031e4de4ed0c68445ce8146.png

Python通过sample函数完成数据采样

#简单的数据采样 df_inner.sample(n=3)

5640485f6031e4de4ed0c68445ce8146.png

e4aec46a44583c0f40957f4cdc35b549.png

5640485f6031e4de4ed0c68445ce8146.png

Weights参数是采样的权重,通过设置不同的权重可以更改采样的结果

#手动设置采样权重 weights = [0, 0, 0, 0, 0.5, 0.5] df_inner.sample(n=2, weights=weights)

5640485f6031e4de4ed0c68445ce8146.png

41659a73d023c5a733cdb4c7587efbc8.png

5640485f6031e4de4ed0c68445ce8146.png

Sample函数中参数replace,用来设置采样后是否放回

#采样后不放回 df_inner.sample(n=6, replace=False) #采样后放回 df_inner.sample(n=6, replace=True)

5640485f6031e4de4ed0c68445ce8146.png

2.描述统计

Python中可以通过Describe对数据进行描述统计

#数据表描述性统计 df_inner.describe().round(2).T

5640485f6031e4de4ed0c68445ce8146.png

0ca53bdfee6fc3694209e3716325aced.png

5640485f6031e4de4ed0c68445ce8146.png

3.相关分析

5e54546cc09fbc3d57b4b1d206b6d3ad.png

5640485f6031e4de4ed0c68445ce8146.png

Python中则通过corr函数完成相关分析的操作,并返回相关系数。

#相关性分析 df_inner['price'].corr(df_inner['m-point']) 0.77466555617085264 #数据表相关性分析 df_inner.corr()

5640485f6031e4de4ed0c68445ce8146.png

4a8b5e550c74a35973576974e297fe7a.png

5640485f6031e4de4ed0c68445ce8146.png

数据输出

1.写入Excel

#输出到Excel格式 df_inner.to_Excel('Excel_to_Python.xlsx', sheet_name='bluewhale_c c')

5640485f6031e4de4ed0c68445ce8146.png

2fe46e7c3ded5c3a6a805afb6298742b.png

5640485f6031e4de4ed0c68445ce8146.png

2.写入csv

#输出到CSV格式 df_inner.to_csv('Excel_to_Python.csv')
以上就是本次分享,如果你有不懂的#在学习Python的过程中,往往因为没有好的教程或者没人指导从而导致自己容易放弃,为此我建了个Python交流.裙 :一久武其而而流一思(数字的谐音)转换下可以找到了,里面有最新Python教程项目可拿,不懂的问题多跟里面的人交流,都会解决哦!
本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/繁依Fanyi0/article/detail/153266?site
推荐阅读
相关标签
  

闽ICP备14008679号