揭開 Excel 和 CSV 自動化處理的神秘面紗
歡迎你，親愛的朋友，來到了充滿魔力的辦公世界∏夂妫現(xiàn)在，我們站在了這個冒險旅程的起點(diǎn)家厌，那就是為何要學(xué)習(xí)Excel和CSV自動化處理播玖。
在這個信息爆炸的時代，數(shù)據(jù)成了我們眼前最善變且充滿魔力的挑戰(zhàn)像街，無論你是市場分析師黎棠、研究員晋渺、項(xiàng)目經(jīng)理，還是一個只想把日常工作變得更簡單實(shí)用的辦公室小白脓斩，自動化辦公都會點(diǎn)亮你遇見的每一個挑戰(zhàn)木西，成為你新的解決問題的武器。
首先随静，自動化辦公能夠讓你省下大量珍貴的時間和精力八千。想象一下，你之前每天都要花費(fèi)很多時間手動操作Excel表格或CSV文件燎猛，眼花繚亂的復(fù)制恋捆、粘貼數(shù)據(jù)，都是很干巴的勞動重绷。而現(xiàn)在沸停，只需要運(yùn)用自動化處理技巧，你就可以輕松快速地完成這些任務(wù)昭卓，將時間花在更有趣愤钾、更有價值的事情上。
其次候醒，自動化辦公能夠提高你的工作準(zhǔn)確性能颁。手動操作往往容易出錯，一不小心就會產(chǎn)生各種烏龍倒淫，可謂是捉摸不定伙菊。但是通過自動化處理，你可以杜絕這些煩人的錯誤敌土，保持?jǐn)?shù)據(jù)的準(zhǔn)確性和一致性镜硕。這對于數(shù)據(jù)分析、報告生成以及業(yè)務(wù)決策至關(guān)重要纯赎，大大提升了你的專業(yè)形象哦谦疾！
那么，自動化辦公在哪些場景和需求中派上了用場呢犬金？
舉個例子念恍，當(dāng)你需要從Excel表格中提取數(shù)據(jù)并進(jìn)行分析時，自動化處理能夠幫助你快速準(zhǔn)確地完成任務(wù)晚顷。當(dāng)你需要清理峰伙、篩選和整理大量的CSV數(shù)據(jù)時，自動化處理能夠讓你事半功倍该默，輕松搞定這些繁重工作瞳氓。當(dāng)你需要對多個Excel和CSV文件進(jìn)行相同操作時，自動化處理能夠一次性完成任務(wù)栓袖，真是幫了大忙匣摘！簡而言之店诗，自動化辦公是辦公室小白的得力助手。
讓我們想象一下音榜，如果你有了魔法庞瘸，你的世界會變得怎樣？是的赠叼，你可以把眼前這些看似困難的挑戰(zhàn)一一化解擦囊，輕松完成原本枯燥乏味的任務(wù)。這就是使用Excel和CSV自動化處理魔法的目標(biāo)嘴办，讓你的工作變得更有效率瞬场，也讓你的人生更有樂趣。 那么涧郊，讓我們開始吧贯被！魔法等你穿越，你準(zhǔn)備好了嗎底燎？
召喚 Python 中的 openpyxl 和 pandas 魔法
在這里刃榨，你將認(rèn)識兩位非凡的魔法師：openpyxl 和 pandas。
首先双仍，讓我們認(rèn)識一下openpyxl這位魔法師。openpyxl是一個強(qiáng)大的Python庫桌吃，專門用于處理Excel文件朱沃。它可以幫助你讀取、寫入和操作Excel文件茅诱，實(shí)現(xiàn)各種復(fù)雜的任務(wù)逗物。不論是創(chuàng)建新的工作表、修改現(xiàn)有的數(shù)據(jù)瑟俭、格式化單元格還是執(zhí)行復(fù)雜的計(jì)算公式翎卓，openpyxl都能輕松應(yīng)對。
接下來摆寄，讓我們認(rèn)識一下pandas這位數(shù)據(jù)分析領(lǐng)域的魔法師失暴。pandas是一個流行且強(qiáng)大的Python庫，用于高效地處理和分析數(shù)據(jù)微饥。它提供了豐富的數(shù)據(jù)結(jié)構(gòu)和函數(shù)逗扒，能夠輕松處理各種數(shù)據(jù)操作，如數(shù)據(jù)清洗欠橘、篩選矩肩、聚合和轉(zhuǎn)換等。無論是讀取和寫入Excel文件肃续，還是處理CSV文件黍檩，pandas都能幫助你操作數(shù)據(jù)叉袍，掌握數(shù)據(jù)之力。
現(xiàn)在刽酱，讓我們一起召喚這兩位強(qiáng)大的魔法師吧喳逛！在你的Python環(huán)境中，確保已經(jīng)安裝了openpyxl和pandas庫肛跌，你可以使用以下命令來安裝它們：
第一步：
pip install openpyxl pandas
第二步：
import openpyxl
通過這個簡單的命令艺配，openpyxl魔法就來到了你的世界。它可以幫助你讀取和寫入Excel文件衍慎，處理各種復(fù)雜的任務(wù)转唉，如操作多個工作表、處理公式稳捆、設(shè)定單元格格式等赠法。你只需調(diào)用相關(guān)函數(shù)，就能夠展示出你的Excel處理技巧乔夯。
接下來砖织，我們要與pandas這位數(shù)據(jù)魔法師相會。同樣末荐，請確保你已經(jīng)在Python環(huán)境中安裝了pandas庫侧纯。在你的代碼中，輸入以下命令：
import pandas
那么甲脏，pandas的魔法就會降臨到你的代碼中眶熬。它是數(shù)據(jù)處理和分析的強(qiáng)大工具，可讀取和寫入Excel和CSV文件块请，并提供各種功能娜氏，如數(shù)據(jù)篩選、清洗墩新、轉(zhuǎn)換以及統(tǒng)計(jì)分析等贸弥。通過調(diào)用pandas的函數(shù)和方法，你將能夠輕松處理龐大的數(shù)據(jù)集海渊。
通過以上準(zhǔn)備工作绵疲，你已經(jīng)成功召喚了openpyxl和pandas的魔法！現(xiàn)在切省，你可以為自己的Python代碼賦予強(qiáng)大的Excel和CSV處理能力了最岗。
初涉Excel、CSV處理：從讀取到寫入
我們將學(xué)習(xí)如何使用 openpyxl 和 pandas 庫來讀取和寫入Excel文件朝捆。我們將從簡單的操作開始般渡，首先讀取Excel文件的數(shù)據(jù)，然后將數(shù)據(jù)寫入到一個新的 Excel 文件中。
openpyxl庫讀取和寫入Excel文件
- 讀取Excel文件數(shù)據(jù)
首先驯用，我們需要導(dǎo)入openpyxl庫脸秽，然后使用load_workbook()函數(shù)來加載Excel文件。接下來蝴乔，使用active屬性選擇第一個工作表记餐，可以使用title屬性獲取工作表的名稱。通過循環(huán)遍歷工作表中的每一行和每一列薇正，我們可以獲取單元格中的數(shù)據(jù)片酝。這里是一個簡單的示例代碼：
import openpyxl
# 加載Excel文件
workbook = openpyxl.load_workbook('example.xlsx')
# 選擇第一個工作表
sheet = workbook.active
# 遍歷行和列，并打印每個單元格的數(shù)據(jù)
for row in sheet.iter_rows():
for cell in row:
print(cell.value)
上述代碼中的example.xlsx是你要讀取的Excel文件的文件名挖腰。通過上述代碼雕沿，我們將能夠讀取Excel文件中的所有數(shù)據(jù)，并按行和列打印出來猴仑。
- 寫入數(shù)據(jù)到新Excel文件
接下來审轮，我們將學(xué)習(xí)如何使用openpyxl和pandas將數(shù)據(jù)寫入到一個新的Excel文件中。首先辽俗，我們需要創(chuàng)建一個新的工作簿疾渣，并選擇一個工作表。然后崖飘，通過遍歷數(shù)據(jù)列表榴捡，我們可以將數(shù)據(jù)寫入到工作表的單元格中。最后朱浴，我們使用save()方法將工作簿保存為一個新的Excel文件薄疚。以下是一個簡單的示例代碼：
import openpyxl
# 創(chuàng)建一個新的工作簿
workbook = openpyxl.Workbook()
# 選擇一個工作表
sheet = workbook.active
# 示例數(shù)據(jù)列表
data = [
['姓名', '年齡', '性別'],
['張三', 25, '男'],
['李四', 30, '女'],
['王五', 35, '男']
]
# 遍歷數(shù)據(jù)列表，并將數(shù)據(jù)寫入到工作表的單元格中
for row_data in data:
sheet.append(row_data)
# 保存工作簿為新的Excel文件
workbook.save('output.xlsx')
上述代碼中的data是示例數(shù)據(jù)列表赊琳，你可以根據(jù)自己的需求修改數(shù)據(jù)內(nèi)容。通過上述代碼砰碴，我們將能夠?qū)?shù)據(jù)寫入到工作表的單元格中躏筏，并將工作簿保存為一個名為output.xlsx的新Excel文件。
現(xiàn)在呈枉，你已經(jīng)學(xué)會了如何使用openpyxl庫讀取和寫入Excel文件的數(shù)據(jù)趁尼。繼續(xù)加油，掌握更多用于Excel處理的技巧猖辫！
pandas庫來讀取和寫入Excel文件
當(dāng)涉及到從讀取到寫入Excel文件時酥泞，pandas庫是一個非常強(qiáng)大和方便的工具。它提供了簡單易用的API來讀取和寫入Excel文件啃憎。
以下是使用pandas庫來讀取和寫入Excel文件的代碼示例：
首先芝囤，我們需要確保已使用pip安裝了pandas庫：
pip install pandas
讀取Excel文件：
import pandas as pd
# 讀取Excel文件
df = pd.read_excel('input.xlsx')
# 打印數(shù)據(jù)框的內(nèi)容
print(df)
代碼理解：以上代碼使用pd.read_excel()函數(shù)來讀取名為input.xlsx的Excel文件，并將其轉(zhuǎn)換為pandas的數(shù)據(jù)框（DataFrame）對象。然后悯姊，我們通過打印數(shù)據(jù)框的內(nèi)容來驗(yàn)證讀取的結(jié)果羡藐。
寫入Excel文件：
import pandas as pd
# 創(chuàng)建示例數(shù)據(jù)
data = {'姓名': ['小明', '小紅', '小李'],
'年齡': [25, 30, 35],
'城市': ['北京', '上海', '廣州']}
# 創(chuàng)建數(shù)據(jù)框
df = pd.DataFrame(data)
# 將數(shù)據(jù)框?qū)懭隕xcel文件
df.to_excel('output.xlsx', index=False)
代碼理解：以上代碼創(chuàng)建了一個示例的數(shù)據(jù)字典，并使用pd.DataFrame()函數(shù)將其轉(zhuǎn)換為數(shù)據(jù)框（DataFrame）對象悯许。然后仆嗦，我們使用df.to_excel()方法將數(shù)據(jù)框?qū)懭朊麨?code>output.xlsx的 Excel 文件中。通過設(shè)置index=False先壕，我們禁用了寫入Excel文件時的行索引瘩扼。
pandas庫讀取和寫入CSV文件
當(dāng)涉及到使用pandas庫讀取和寫入CSV文件時，它同樣提供了簡單易用的API垃僚。下面是使用pandas庫讀取和寫入CSV文件的代碼示例：
讀取CSV文件：
import pandas as pd
# 讀取CSV文件
df = pd.read_csv('input.csv')
# 打印數(shù)據(jù)框的內(nèi)容
print(df)
代碼理解：上述代碼使用pd.read_csv()函數(shù)來讀取名為input.csv的CSV文件集绰，并將其轉(zhuǎn)換為pandas的數(shù)據(jù)框（DataFrame）對象。然后冈在，我們通過打印數(shù)據(jù)框的內(nèi)容來驗(yàn)證讀取的結(jié)果倒慧。
寫入CSV文件：
import pandas as pd
# 創(chuàng)建示例數(shù)據(jù)
data = {'姓名': ['小明', '小紅', '小李'],
'年齡': [25, 30, 35],
'城市': ['北京', '上海', '廣州']}
# 創(chuàng)建數(shù)據(jù)框
df = pd.DataFrame(data)
# 將數(shù)據(jù)框?qū)懭隒SV文件
df.to_csv('output.csv', index=False)
代碼理解：上述代碼創(chuàng)建了一個示例的數(shù)據(jù)字典，并使用pd.DataFrame()函數(shù)將其轉(zhuǎn)換為數(shù)據(jù)框（DataFrame）對象。然后，我們使用df.to_csv()方法將數(shù)據(jù)框?qū)懭朊麨?code>output.csv的CSV文件中畜侦。通過設(shè)置index=False阳惹，我們禁用了寫入CSV文件時的行索引。
**openpyxl**高級技巧
openpyxl 庫提供了許多用于處理 Excel 文件的方法辙喂，包括讀取、寫入、修改和操作 Excel 文件的各個方面询吴。以下是 openpyxl 庫的一些常用方法：
- 打開和保存Excel文件：
-
load_workbook(filename): 打開指定文件名的Excel文件，并返回一個工作簿對象亮元。 -
save(filename): 將工作簿保存為指定文件名的Excel文件猛计。
- 獲取和選擇工作表：
-
active: 獲取當(dāng)前活動的工作表對象。 -
sheetnames: 獲取所有工作表的名稱列表爆捞。 -
get_sheet_by_name(name): 根據(jù)工作表名稱獲取對應(yīng)的工作表對象奉瘤。
- 操作單元格和單元格范圍：
-
cell(row, column): 返回指定行和列的單元格對象。 -
iter_rows(): 遍歷工作表中的所有行煮甥，并返回每一行的單元格對象盗温。 -
iter_cols(): 遍歷工作表中的所有列，并返回每一列的單元格對象成肘。 -
max_row: 獲取工作表中的最大行數(shù)卖局。 -
max_column: 獲取工作表中的最大列數(shù)。
- 讀取和寫入單元格數(shù)據(jù)：
-
value: 獲取或設(shè)置單元格的值双霍。 -
cell(row, column, value): 設(shè)置指定行和列的單元格的值砚偶。 -
cell(row, column).value: 獲取指定行和列的單元格的值批销。
- 設(shè)置單元格格式和樣式：
-
font: 設(shè)置單元格的字體樣式，如字體大小蟹演、顏色风钻、加粗等。 -
alignment: 設(shè)置單元格的對齊方式酒请，如居中骡技、左對齊、右對齊等羞反。 -
border: 設(shè)置單元格的邊框樣式布朦。 -
fill: 設(shè)置單元格的背景顏色或填充樣式。
- 添加和刪除工作表：
-
create_sheet(title): 創(chuàng)建一個新的工作表昼窗，并設(shè)置工作表的名稱是趴。 -
remove_sheet(sheet): 刪除指定的工作表。
- 復(fù)制和移動單元格和工作表：
-
copy_worksheet(source): 復(fù)制指定的工作表澄惊，并返回一個新的工作表對象唆途。 -
move_range(source, destination): 移動指定范圍的單元格到目標(biāo)位置。
這些只是openpyxl庫中的一些常用方法掸驱，還有更多方法可用于處理Excel文件的各種任務(wù)肛搬。你可以參考openpyxl官方文檔以獲取完整的方法列表和詳細(xì)的用法說明。
以下是對 openpyxl 庫常用方法的代碼示例及其理解：
打開和保存Excel文件
import openpyxl
# 打開Excel文件
workbook = openpyxl.load_workbook("example.xlsx")
# 保存Excel文件
workbook.save("output.xlsx")
代碼理解：
上述代碼使用 openpyxl 庫的load_workbook()方法打開名為"example.xlsx"的Excel文件毕贼，并將其保存為工作簿對象温赔。
使用save()方法可以將工作簿保存為名為"output.xlsx"的新Excel文件。
獲取和選擇工作表
import openpyxl
# 加載Excel文件
workbook = openpyxl.load_workbook('example.xlsx')
# 獲取當(dāng)前活動的工作表對象
sheet = workbook.active
# 獲取所有工作表的名稱列表
sheet_names = workbook.sheetnames
print(sheet_names)
# 根據(jù)工作表名稱獲取對應(yīng)的工作表對象
sheet = workbook["Sheet1"]
print(sheet)
代碼理解：
以上代碼演示了幾種獲取和選擇工作表的方法鬼癣。屬性active返回當(dāng)前活動的工作表對象陶贼。
屬性sheetnames返回所有工作表的名稱列表。
還可以使用workbook["Sheet1"]來選擇名稱為"Sheet1"的工作表待秃，其中workbook是工作簿對象拜秧。
操作單元格和單元格范圍
-
cell(row, column): 返回指定行和列的單元格對象。
import openpyxl
# 打開Excel文件
workbook = openpyxl.load_workbook("example.xlsx")
# 選擇工作表
sheet = workbook.active
# 返回第2行第3列的單元格對象
cell = sheet.cell(row=2, column=3)
# 輸出單元格的值
print(cell.value)
代碼理解：上述代碼演示了如何使用cell()方法來返回指定行和列的單元格對象章郁。通過傳入行號和列號腹纳，可以選擇特定的單元格。在這個示例中驱犹，我們選擇了工作表中的第2行第3列的單元格，并打印出其值足画。
-
iter_rows(): 遍歷工作表中的所有行雄驹，并返回每一行的單元格對象。
import openpyxl
# 打開Excel文件
workbook = openpyxl.load_workbook("example.xlsx")
# 選擇工作表
sheet = workbook.active
# 遍歷每一行的單元格對象
for row in sheet.iter_rows():
for cell in row:
# 輸出單元格的值
print(cell.value)
代碼理解：以上代碼展示了如何使用iter_rows()方法來遍歷工作表中的每一行淹辞，并返回每一行的單元格對象医舆。通過嵌套的循環(huán)，我們可以遍歷每一行中的單元格，并打印出每個單元格的值蔬将。
-
iter_cols(): 遍歷工作表中的所有列爷速，并返回每一列的單元格對象。
import openpyxl
# 打開Excel文件
workbook = openpyxl.load_workbook("example.xlsx")
# 選擇工作表
sheet = workbook.active
# 遍歷每一列的單元格對象
for column in sheet.iter_cols():
for cell in column:
# 輸出單元格的值
print(cell.value)
代碼理解：以上代碼展示了如何使用iter_cols()方法來遍歷工作表中的每一列霞怀，并返回每一列的單元格對象惫东。通過嵌套的循環(huán)，我們可以遍歷每一列中的單元格毙石，并打印出每個單元格的值廉沮。
-
max_row: 獲取工作表中的最大行數(shù)。
import openpyxl
# 打開Excel文件
workbook = openpyxl.load_workbook("example.xlsx")
# 選擇工作表
sheet = workbook.active
# 獲取工作表中的最大行數(shù)
max_row = sheet.max_row
# 輸出最大行數(shù)
print(max_row)
代碼理解：以上代碼演示了如何使用max_row屬性來獲取工作表中的最大行數(shù)徐矩。通過訪問該屬性滞时，我們可以得到工作表的行數(shù)，并將其存儲在變量max_row中滤灯。然后坪稽，我們將該值打印出來。
-
max_column: 獲取工作表中的最大列數(shù)鳞骤。
import openpyxl
# 打開Excel文件
workbook = openpyxl.load_workbook("example.xlsx")
# 選擇工作表
sheet = workbook.active
# 獲取工作表中的最大列數(shù)
max_column = sheet.max_column
# 輸出最大列數(shù)
print(max_column)
代碼理解：以上代碼演示了如何使用max_column屬性來獲取工作表中的最大列數(shù)窒百。通過訪問該屬性，我們可以得到工作表的列數(shù)弟孟，并將其存儲在變量max_column中贝咙。然后，我們將該值打印出來拂募。
這些是針對操作單元格和單元格范圍的每個方法的代碼示例庭猩。希望這些示例能夠幫助您理解這些方法的用法和功能。如果您還有其他問題陈症，請隨時提問蔼水！
讀取和寫入單元格數(shù)據(jù)
以下是針對讀取和寫入單元格數(shù)據(jù)的每個方法的代碼示例：
-
value: 獲取或設(shè)置單元格的值。
import openpyxl
# 打開Excel文件
workbook = openpyxl.load_workbook("example.xlsx")
# 選擇工作表
sheet = workbook.active
# 獲取A1單元格的值
value = sheet["A1"].value
# 輸出單元格的值
print(value)
# 設(shè)置A1單元格的值
sheet["A1"].value = "Hello, World!"
# 保存修改后的Excel文件
workbook.save("output.xlsx")
代碼理解：上述代碼演示了如何使用value屬性來獲取或設(shè)置單元格的值录肯。通過訪問單元格對象的value屬性趴腋，可以獲取單元格的值并將其存儲在變量value中。
在示例中论咏，我們獲取了"A1"單元格的值优炬，并將其打印出來。然后厅贪，我們使用sheet["A1"].value來設(shè)置"A1"單元格的值為"Hello, World!"蠢护。最后，將修改后的工作簿保存為"output.xlsx"养涮。
-
cell(row, column, value): 設(shè)置指定行和列的單元格的值葵硕。
import openpyxl
# 打開Excel文件
workbook = openpyxl.load_workbook("example.xlsx")
# 選擇工作表
sheet = workbook.active
# 設(shè)置B2單元格的值為"哈哈哈"
sheet.cell(row=2, column=2, value="哈哈哈")
# 保存修改后的Excel文件
workbook.save("output.xlsx")
代碼理解：以上代碼演示了如何使用cell()方法來設(shè)置指定行和列的單元格的值眉抬。通過傳入行號、列號和值懈凹，可以選擇特定的單元格蜀变，并將其值設(shè)置為指定的值。
在示例中介评，我們設(shè)置了"B2"單元格的值為"哈哈哈"库北。最后，將修改后的工作簿保存為"output.xlsx"威沫。
-
cell(row, column).value: 獲取指定行和列的單元格的值贤惯。
import openpyxl
# 打開Excel文件
workbook = openpyxl.load_workbook("example.xlsx")
# 選擇工作表
sheet = workbook.active
# 獲取C3單元格的值
value = sheet.cell(row=3, column=3).value
# 輸出單元格的值
print(value)
代碼理解：上述代碼演示了如何使用cell(row, column).value來獲取指定行和列的單元格的值。通過cell()方法獲取指定行和列的單元格對象棒掠，并使用.value來獲取其值孵构。
在示例中，我們獲取了"C3"單元格的值烟很，并將其打印出來颈墅。
設(shè)置單元格格式和樣式
以下是針對設(shè)置單元格格式和樣式的每個方法的代碼示例：
-
font: 設(shè)置單元格的字體樣式，如字體大小雾袱、顏色恤筛、加粗等。
import openpyxl
from openpyxl.styles import Font
# 創(chuàng)建工作簿和工作表
workbook = openpyxl.load_workbook("example.xlsx")
sheet = workbook.active
# 設(shè)置A1單元格的字體樣式
font = Font(size=12, color="FF0000", bold=True)
sheet["A1"].font = font
# 保存工作簿
workbook.save("output.xlsx")
代碼理解：上述代碼演示了如何使用Font類來設(shè)置單元格的字體樣式芹橡。通過創(chuàng)建一個Font對象毒坛，并設(shè)置相應(yīng)的屬性，然后將其賦值給單元格的font屬性林说，可以實(shí)現(xiàn)對單元格字體的樣式設(shè)置煎殷。
在這個示例中，我們設(shè)置了"A1"單元格的字體大小為12腿箩，顏色為紅色豪直，且加粗。
-
alignment: 設(shè)置單元格的對齊方式珠移，如居中弓乙、左對齊、右對齊等钧惧。
import openpyxl
from openpyxl.styles import Alignment
# 創(chuàng)建工作簿和工作表
workbook = openpyxl.load_workbook("example.xlsx")
sheet = workbook.active
# 設(shè)置B2單元格的對齊方式為水平居中暇韧、垂直居中
alignment = Alignment(horizontal="center", vertical="center")
sheet["B2"].alignment = alignment
# 保存工作簿
workbook.save("output.xlsx")
代碼理解：以上代碼演示了如何使用Alignment類來設(shè)置單元格的對齊方式。通過創(chuàng)建一個Alignment對象浓瞪，并設(shè)置水平和垂直對齊方式的屬性锨咙，然后將其賦值給單元格的alignment屬性，可以實(shí)現(xiàn)對單元格對齊方式的設(shè)置追逮。
在這個示例中酪刀，我們設(shè)置了"B2"單元格的對齊方式為水平居中和垂直居中。
-
border: 設(shè)置單元格的邊框樣式钮孵。
from openpyxl import Workbook
from openpyxl.styles import Border, Side
# 創(chuàng)建工作簿和工作表
workbook = Workbook()
sheet = workbook.active
# 創(chuàng)建邊框?qū)ο?border = Border(top=Side(style="thin"),
bottom=Side(style="thin"),
left=Side(style="thin"),
right=Side(style="thin"))
# 設(shè)置C3單元格的邊框樣式
sheet["C3"].border = border
# 保存工作簿
workbook.save("output.xlsx")
代碼理解：以上代碼演示了如何使用Border類來設(shè)置單元格的邊框樣式骂倘。通過創(chuàng)建一個Border對象，并設(shè)置各個邊框樣式的Side對象巴席，然后將Border對象賦值給單元格的border屬性历涝，可以實(shí)現(xiàn)對單元格邊框樣式的設(shè)置。
在這個示例中漾唉，我們設(shè)置了"C3"單元格的邊框樣式為細(xì)邊框荧库。
-
fill: 設(shè)置單元格的背景顏色或填充樣式。
import openpyxl
from openpyxl.styles import PatternFill
# 創(chuàng)建工作簿和工作表
workbook = openpyxl.load_workbook("example.xlsx")
sheet = workbook.active
# 創(chuàng)建填充樣式對象
fill = PatternFill(fill_type="solid", fgColor="FF0000")
# 設(shè)置D4單元格的填充樣式為紅色
sheet["D4"].fill = fill
# 保存工作簿
workbook.save("output.xlsx")
代碼理解：以上代碼演示了如何使用PatternFill類來設(shè)置單元格的背景顏色或填充樣式赵刑。通過創(chuàng)建一個PatternFill對象分衫，并設(shè)置填充類型和前景色的屬性，然后將其賦值給單元格的fill屬性般此，可以實(shí)現(xiàn)對單元格背景顏色或填充樣式的設(shè)置蚪战。
在這個示例中，我們設(shè)置了"D4"單元格的填充樣式為紅色铐懊。
添加和刪除工作表
以下是添加和刪除工作表的代碼示例：
-
create_sheet(title): 創(chuàng)建一個新的工作表邀桑，并設(shè)置工作表的名稱。
import openpyxl
# 創(chuàng)建工作簿
workbook = openpyxl.load_workbook("example.xlsx")
# 創(chuàng)建一個名為"My Sheet"的新工作表
new_sheet = workbook.create_sheet(title="My Sheet")
# 保存工作簿
workbook.save("output.xlsx")
代碼理解：上述代碼演示了如何使用create_sheet()方法來創(chuàng)建一個新的工作表科乎，并設(shè)置工作表的名稱壁畸。通過在title參數(shù)中提供工作表的名稱，可以創(chuàng)建一個新的工作表對象茅茂。
在這個示例中捏萍，我們創(chuàng)建了一個名為"My Sheet"的新工作表，并將其保存到工作簿中玉吁。
-
remove_sheet(sheet): 刪除指定的工作表照弥。
from openpyxl import load_workbook
# 打開工作簿
workbook = load_workbook("example.xlsx")
# 獲取需要刪除的工作表對象
sheet_to_remove = workbook["Sheet2"]
# 刪除工作表
workbook.remove(sheet_to_remove)
# 保存工作簿
workbook.save("output.xlsx")
代碼理解：以上代碼演示了如何使用remove_sheet()方法刪除指定的工作表。通過提供要刪除的工作表對象作為參數(shù)进副，可以從工作簿中刪除該工作表这揣。
在這個示例中，我們獲取了名為"Sheet2"的工作表對象影斑，并使用remove_sheet()方法將其從工作簿中刪除给赞。
復(fù)制和移動單元格和工作表
-
copy_worksheet(source): 復(fù)制指定的工作表，并返回一個新的工作表對象矫户。
from openpyxl import load_workbook
# 打開工作簿
workbook = load_workbook("example.xlsx")
# 獲取要復(fù)制的工作表對象
source_sheet = workbook["Sheet1"]
# 復(fù)制工作表
new_sheet = workbook.copy_worksheet(source_sheet)
# 保存工作簿
workbook.save("output.xlsx")
代碼理解：以上代碼演示了如何使用copy_worksheet()方法來復(fù)制指定的工作表片迅。通過將要復(fù)制的工作表對象作為參數(shù)傳遞給copy_worksheet()方法，可以創(chuàng)建一個新的工作表對象作為復(fù)制結(jié)果皆辽。
在這個示例中柑蛇，我們復(fù)制了名為"Sheet1"的工作表芥挣，并將復(fù)制結(jié)果保存為新的工作表。
-
move_range(source, destination): 移動指定范圍的單元格到目標(biāo)位置耻台。
from openpyxl import load_workbook
from openpyxl.utils.cell import coordinate_from_string, column_index_from_string
# 打開工作簿
workbook = load_workbook("example.xlsx")
# 選擇要移動的工作表
sheet = workbook["Sheet1"]
# 獲取源范圍的起始行和列
source_range = "A1:C3"
start_cell, end_cell = source_range.split(":")
start_row, start_column = coordinate_from_string(start_cell)
end_row, end_column = coordinate_from_string(end_cell)
# 獲取目標(biāo)位置的行和列
destination_row = 5
destination_column = column_index_from_string("D")
# 移動指定范圍的單元格到目標(biāo)位置
sheet.move_range(f"{start_column}{start_row}:{end_column}{end_row}", rows=destination_row-1, cols=destination_column-1)
# 保存工作簿
workbook.save("output.xlsx")
代碼理解：以上代碼演示了如何使用move_range()方法將指定范圍的單元格移動到目標(biāo)位置空免。通過提供源范圍的起始單元格和終止單元格，以及目標(biāo)位置的行和列盆耽，可以使用move_range()方法將目標(biāo)范圍的單元格移動到指定位置蹋砚。
在這個示例中，我們將"A1:C3"范圍的單元格移動到目標(biāo)位置為第5行摄杂、第4列的位置坝咐。
這些是openpyxl庫中常用的方法以及簡單易懂的代碼示例。希望這些示例能幫助您理解openpyxl庫的用法析恢。如果您有任何進(jìn)一步的問題墨坚，請隨時提問！
pandas高級技巧
以下是上述提到的pandas庫提供的一些常用方法以及它們的作用的匯總：
- 數(shù)據(jù)索引和選擇：
-
loc[]：通過標(biāo)簽對數(shù)據(jù)進(jìn)行索引和選擇氮昧。 -
iloc[]：通過位置對數(shù)據(jù)進(jìn)行索引和選擇框杜。 -
at[]：通過標(biāo)簽獲取單個元素的值。 -
iat[]：通過位置獲取單個元素的值袖肥。 -
isin()：檢查元素是否存在于給定的列表中咪辱。
-
- 數(shù)據(jù)處理和轉(zhuǎn)換：
-
drop()：刪除指定的行或列。 -
rename()：重命名行或列的名稱椎组。 -
sort_values()：按照指定的列對數(shù)據(jù)進(jìn)行排序油狂。 -
groupby()：按照指定的列進(jìn)行分組。 -
merge()：合并兩個數(shù)據(jù)框基于指定的列寸癌。 -
apply()：對數(shù)據(jù)框中的每個元素或列應(yīng)用函數(shù)专筷。
-
- 數(shù)據(jù)統(tǒng)計(jì)和描述：
-
describe()：計(jì)算數(shù)據(jù)的描述性統(tǒng)計(jì)信息。 -
mean()：計(jì)算數(shù)據(jù)的均值蒸苇。 -
sum()：計(jì)算數(shù)據(jù)的總和磷蛹。 -
min()：計(jì)算數(shù)據(jù)的最小值。 -
max()：計(jì)算數(shù)據(jù)的最大值溪烤。
-
- 數(shù)據(jù)可視化：
-
plot()：繪制數(shù)據(jù)的圖表味咳。 -
hist()：繪制數(shù)據(jù)的直方圖。 -
scatter()：繪制數(shù)據(jù)的散點(diǎn)圖檬嘀。
-
- 數(shù)據(jù)排序和排名：
-
sort_values()：按照指定的列或多列對數(shù)據(jù)進(jìn)行排序槽驶。 -
sort_index()：按照索引對數(shù)據(jù)進(jìn)行排序。 -
rank()：根據(jù)元素的值對數(shù)據(jù)進(jìn)行排名鸳兽。
-
- 缺失值處理：
-
isnull()：檢查數(shù)據(jù)中的缺失值掂铐。 -
fillna()：填充缺失值。 -
dropna()：刪除包含缺失值的行或列。
-
- 數(shù)據(jù)去重：
-
duplicated()：檢查數(shù)據(jù)中的重復(fù)行全陨。 -
drop_duplicates()：刪除數(shù)據(jù)中的重復(fù)行爆班。
-
- 數(shù)據(jù)轉(zhuǎn)換：
-
apply()：對數(shù)據(jù)框中的每個元素或列應(yīng)用函數(shù)。 -
map()：根據(jù)指定的字典或函數(shù)對數(shù)據(jù)進(jìn)行映射轉(zhuǎn)換辱姨。
-
- 數(shù)據(jù)分組和聚合：
-
groupby()：按照指定的列進(jìn)行分組蛋济。 -
sum()：計(jì)算分組后數(shù)據(jù)的總和。 -
mean()：計(jì)算分組后數(shù)據(jù)的平均值炮叶。 -
count()：計(jì)算分組后數(shù)據(jù)的計(jì)數(shù)。
-
- 數(shù)據(jù)合并和連接：
-
concat()：按照指定的軸將多個數(shù)據(jù)框連接起來渡处。 -
merge()：根據(jù)指定的列將兩個數(shù)據(jù)框進(jìn)行合并镜悉。 -
join()：根據(jù)索引或指定的列將兩個數(shù)據(jù)框進(jìn)行連接。
-
- 數(shù)據(jù)篩選和過濾：
-
[]：使用布爾條件對數(shù)據(jù)進(jìn)行篩選医瘫。 -
query()：使用表達(dá)式進(jìn)行數(shù)據(jù)篩選侣肄。 -
loc[]：根據(jù)標(biāo)簽進(jìn)行行和列的篩選。 -
iloc[]：根據(jù)位置進(jìn)行行和列的篩選醇份。 -
&：與運(yùn)算符稼锅，用于組合多個條件進(jìn)行邏輯與操作。 -
|：或運(yùn)算符僚纷，用于組合多個條件進(jìn)行邏輯或操作矩距。 -
isin()：檢查數(shù)據(jù)是否包含在指定列表中。 -
str.contains()：檢查字符串是否包含指定的子字符串怖竭。
-
以上是針對pandas庫提供的一些常用方法以及它們的作用的匯總锥债。使用這些方法，您可以方便地對數(shù)據(jù)進(jìn)行索引痊臭、選擇哮肚、處理、轉(zhuǎn)換广匙、統(tǒng)計(jì)允趟、可視化和篩選等操作。下面一一詳細(xì)講解鸦致。
數(shù)據(jù)索引和選擇
假設(shè)我們有一個學(xué)生信息的數(shù)據(jù)框潮剪，其中包含了學(xué)生的姓名、年齡和所在城市蹋凝。我們可以使用上述方法對數(shù)據(jù)進(jìn)行索引和選擇鲁纠。
import pandas as pd
# 創(chuàng)建一個學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 通過標(biāo)簽對數(shù)據(jù)進(jìn)行索引和選擇
print(df.loc[1]) # 選擇第2個學(xué)生的信息
print(df.loc[:, '年齡':'城市']) # 選擇年齡和城市列的信息
print(df.loc[0, '姓名']) # 選擇第1個學(xué)生的姓名
# 通過位置對數(shù)據(jù)進(jìn)行索引和選擇
print(df.iloc[2]) # 選擇第3個學(xué)生的信息
print(df.iloc[:, 0:2]) # 選擇姓名和年齡列的信息
print(df.iloc[1, 2]) # 選擇第2個學(xué)生的城市
# 通過標(biāo)簽獲取單個元素的值
print(df.at[0, '城市']) # 獲取第1個學(xué)生的城市
# 通過位置獲取單個元素的值
print(df.iat[2, 1]) # 獲取第3個學(xué)生的年齡
# 檢查元素是否存在于給定的列表中
print(df['城市'].isin(['上海', '深圳'])) # 檢查城市是否在給定的列表中
在這個實(shí)際應(yīng)用場景中，我們可以根據(jù)學(xué)生的姓名鳍寂、年齡和所在城市使用不同的索引和選擇方法來獲取需要的信息改含。通過這些方法，我們可以輕松地處理和獲取數(shù)據(jù)迄汛，以了解學(xué)生的信息捍壤。這段代碼主要是通過 Pandas 庫來創(chuàng)建一個學(xué)生信息的數(shù)據(jù)框骤视，并展示了使用不同的索引和選擇方法來獲取特定的數(shù)據(jù)。
代碼理解：
首先鹃觉，我們導(dǎo)入了 Pandas 庫专酗，并創(chuàng)建了一個包含學(xué)生姓名、年齡和城市的示例數(shù)據(jù)字典 data盗扇。然后祷肯，將數(shù)據(jù)字典傳遞給 pd.DataFrame() 函數(shù)創(chuàng)建了一個數(shù)據(jù)框，存儲在變量 df 中疗隶。
接下來佑笋，我們使用以下方法對數(shù)據(jù)進(jìn)行索引和選擇：
- 使用
loc[]方法：-
df.loc[1]表示選擇第2個學(xué)生的信息，即獲取整行數(shù)據(jù)斑鼻。 -
df.loc[:, '年齡':'城市']表示選擇年齡和城市列的信息蒋纬，即獲取指定范圍的列數(shù)據(jù)。 -
df.loc[0, '姓名']表示選擇第1個學(xué)生的姓名坚弱，即獲取指定位置的元素值蜀备。
-
- 使用
iloc[]方法：-
df.iloc[2]表示選擇第3個學(xué)生的信息，即獲取整行數(shù)據(jù)荒叶。 -
df.iloc[:, 0:2]表示選擇姓名和年齡列的信息碾阁，即獲取指定范圍的列數(shù)據(jù)。 -
df.iloc[1, 2]表示選擇第2個學(xué)生的城市停撞，即獲取指定位置的元素值瓷蛙。
-
- 使用
at[]方法：-
df.at[0, '城市']表示獲取第1個學(xué)生的城市，即獲取指定標(biāo)簽位置的元素值戈毒。
-
- 使用
iat[]方法：-
df.iat[2, 1]表示獲取第3個學(xué)生的年齡艰猬，即獲取指定位置的元素值。
-
- 使用
isin()方法：-
df['城市'].isin(['上海', '深圳'])表示檢查城市是否在給定的列表中埋市，返回一個布爾值序列冠桃。
-
數(shù)據(jù)處理和轉(zhuǎn)換
import pandas as pd
# 創(chuàng)建一個學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'學(xué)號': [1, 2, 3, 4],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# drop() 方法：刪除指定的行或列
df_drop_rows = df.drop([0, 2]) # 刪除索引為0和2的行
# 輸出結(jié)果
print("刪除指定行的數(shù)據(jù)框:\n", df_drop_rows)
df_drop_columns = df.drop('城市', axis=1) # 刪除 '城市' 列
print("刪除指定列的數(shù)據(jù)框:\n", df_drop_columns)
# rename() 方法：重命名行或列的名稱
df_rename_columns = df.rename(columns={'年齡': '年齡段'}) # 將 '年齡' 列重命名為 '年齡段'
print("重命名列名稱的數(shù)據(jù)框:\n", df_rename_columns)
# sort_values() 方法：按照指定的列對數(shù)據(jù)進(jìn)行排序
df_sorted = df.sort_values(by='年齡', ascending=False) # 按照 '年齡' 列降序排序
print("按照年齡降序排序的數(shù)據(jù)框:\n", df_sorted)
# groupby() 方法：按照指定的列進(jìn)行分組并計(jì)算均值
df_grouped = df.groupby('城市').agg({'年齡': 'mean'}) # 按照 '城市' 列進(jìn)行分組并計(jì)算每個城市的平均年齡
print("按照城市分組計(jì)算平均年齡的數(shù)據(jù)框:\n", df_grouped)
# merge() 方法：合并兩個數(shù)據(jù)框基于指定的列
df1 = pd.DataFrame({'學(xué)號': [1, 2, 3, 4], '成績': [85, 90, 95, 88]})
df_merged = df.merge(df1, on='學(xué)號') # 基于 '學(xué)號' 列合并兩個數(shù)據(jù)框
print("基于學(xué)號合并的數(shù)據(jù)框:\n", df_merged)
# apply() 方法：對數(shù)據(jù)框中的每個元素或列應(yīng)用函數(shù)
numeric_columns = ['年齡']
df_applied = df[numeric_columns].apply(lambda x: x.max() - x.min()) # 對數(shù)值列應(yīng)用函數(shù)，計(jì)算每列的最大值和最小值的差
print("每列最大值和最小值差的數(shù)據(jù)框:\n", df_applied)
這段代碼使用了 Pandas 庫來展示了一些常用的數(shù)據(jù)操作方法道宅。
首先食听，使用字典創(chuàng)建了一個學(xué)生信息的示例數(shù)據(jù)框 df，其中包含了姓名污茵、年齡樱报、學(xué)號和城市等列的數(shù)據(jù)。
接下來泞当，使用 drop() 方法刪除了索引為0和2的行迹蛤，以及使用 drop() 方法刪除了 '城市' 列，分別得到了 df_drop_rows 和 df_drop_columns 數(shù)據(jù)框。
然后盗飒，使用 rename() 方法將 '年齡' 列重命名為 '年齡段'嚷量，得到了 df_rename_columns 數(shù)據(jù)框。
接著逆趣，使用 sort_values() 方法按照 '年齡' 列的降序?qū)?shù)據(jù)框進(jìn)行排序蝶溶，得到了 df_sorted 數(shù)據(jù)框。
之后宣渗，使用 groupby() 方法按照 '城市' 列進(jìn)行分組抖所，并計(jì)算每個城市的平均年齡，得到了 df_grouped 數(shù)據(jù)框痕囱。
然后部蛇，使用 merge() 方法基于 '學(xué)號' 列合并了 df 和 df1 兩個數(shù)據(jù)框，得到了 df_merged 數(shù)據(jù)框咐蝇。
最后，使用 apply() 方法對 df 數(shù)據(jù)框中的 '年齡' 列應(yīng)用函數(shù)巷查，計(jì)算了每列的最大值和最小值的差值有序，得到了 df_applied 數(shù)據(jù)框。
數(shù)據(jù)統(tǒng)計(jì)和描述
當(dāng)根據(jù)學(xué)生的姓名岛请、年齡和所在城市的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)和描述時旭寿，可以使用以下方法，以下是每個方法的代碼示例和簡要解釋：
describe()方法：計(jì)算數(shù)據(jù)的描述性統(tǒng)計(jì)信息崇败，包括計(jì)數(shù)盅称、平均值、標(biāo)準(zhǔn)差后室、最小值缩膝、25%分位數(shù)、中位數(shù)（50%分位數(shù)）岸霹、75%分位數(shù)和最大值疾层。
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# describe()方法：計(jì)算數(shù)據(jù)的描述性統(tǒng)計(jì)信息
df_describe = df.describe()
print("數(shù)據(jù)的描述性統(tǒng)計(jì)信息:\n", df_describe)
代碼理解：上述代碼創(chuàng)建了一個包含姓名、年齡和城市的學(xué)生信息數(shù)據(jù)框贡避。然后痛黎，使用describe()方法計(jì)算了整個數(shù)據(jù)框的描述性統(tǒng)計(jì)信息，包括計(jì)數(shù)刮吧、平均值湖饱、標(biāo)準(zhǔn)差、最小值杀捻、25%分位數(shù)井厌、中位數(shù)（50%分位數(shù)）、75%分位數(shù)和最大值。最后旗笔，輸出了計(jì)算結(jié)果彪置。
mean()方法：計(jì)算數(shù)據(jù)的均值。
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# mean()方法：計(jì)算年齡的均值
age_mean = df['年齡'].mean()
print("年齡的均值:", age_mean)
代碼理解：上述代碼創(chuàng)建了一個包含姓名蝇恶、年齡和城市的學(xué)生信息數(shù)據(jù)框拳魁。然后，使用mean()方法計(jì)算了年齡列的均值撮弧。最后潘懊，輸出了均值。
sum()方法：計(jì)算數(shù)據(jù)的總和贿衍。
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# sum()方法：計(jì)算年齡的總和
age_sum = df['年齡'].sum()
print("年齡的總和:", age_sum)
代碼理解：上述代碼創(chuàng)建了一個包含姓名授舟、年齡和城市的學(xué)生信息數(shù)據(jù)框。然后贸辈，使用sum()方法計(jì)算了年齡列的總和释树。最后，輸出了總和。
min()方法：計(jì)算數(shù)據(jù)的最小值。
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# min()方法：計(jì)算年齡的最小值
age_min = df['年齡'].min()
print("年齡的最小值:", age_min)
代碼理解：上述代碼創(chuàng)建了一個包含姓名髓抑、年齡和城市的學(xué)生信息數(shù)據(jù)框。然后桩盲，使用min()方法計(jì)算了年齡列的最小值。最后席吴，輸出了最小值赌结。
max()方法：計(jì)算數(shù)據(jù)的最大值。
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# max()方法：計(jì)算年齡的最大值
age_max = df['年齡'].max()
print("年齡的最大值:", age_max)
代碼理解：上述代碼創(chuàng)建了一個包含姓名孝冒、年齡和城市的學(xué)生信息數(shù)據(jù)框柬姚。然后，使用max()方法計(jì)算了年齡列的最大值庄涡。最后伤靠，輸出了最大值。
數(shù)據(jù)可視化
當(dāng)根據(jù)學(xué)生的姓名啼染、年齡和所在城市的數(shù)據(jù)進(jìn)行時宴合，可以使用以下方法，以下是每個方法的代碼示例和簡要解釋：
記得要安裝 matplotlib 模塊喲：
pip install matplotlib
plot()方法：繪制數(shù)據(jù)的圖表迹鹅。
import pandas as pd
import matplotlib.pyplot as plt
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# plot()方法：繪制年齡的折線圖
df['年齡'].plot()
plt.xlabel('學(xué)生')
plt.ylabel('年齡')
plt.title('學(xué)生年齡分布')
plt.show()
代碼理解：上述代碼創(chuàng)建了一個包含姓名卦洽、年齡和城市的學(xué)生信息數(shù)據(jù)框。然后斜棚，使用plot()方法繪制了年齡的折線圖阀蒂，橫軸為學(xué)生该窗，縱軸為年齡。最后蚤霞，添加了橫軸酗失、縱軸和標(biāo)題的標(biāo)簽，并展示了繪制的圖表昧绣。
結(jié)果：
hist()方法：繪制數(shù)據(jù)的直方圖规肴。
import pandas as pd
import matplotlib.pyplot as plt
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# hist()方法：繪制年齡的直方圖
df['年齡'].hist(bins=20)
plt.xlabel('年齡')
plt.ylabel('學(xué)生人數(shù)')
plt.title('學(xué)生年齡分布')
plt.show()
代碼理解：上述代碼創(chuàng)建了一個包含姓名、年齡和城市的學(xué)生信息數(shù)據(jù)框夜畴。然后拖刃，使用hist()方法繪制了年齡的直方圖，將數(shù)據(jù)分成20個箱子贪绘。最后兑牡，添加了橫軸、縱軸和標(biāo)題的標(biāo)簽税灌，并展示了繪制的圖表均函。
結(jié)果：
scatter()方法：繪制數(shù)據(jù)的散點(diǎn)圖。
import pandas as pd
import matplotlib.pyplot as plt
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'城市': ['北京', '上海', '廣州', '深圳'],
'學(xué)號': [1, 2, 3, 4]} # 添加學(xué)號列
df = pd.DataFrame(data)
# scatter()方法：繪制年齡和學(xué)號的散點(diǎn)圖
df.plot.scatter(x='學(xué)號', y='年齡')
plt.xlabel('學(xué)號')
plt.ylabel('年齡')
plt.title('學(xué)號與年齡關(guān)系')
plt.show()
代碼理解：上述代碼創(chuàng)建了一個包含姓名菱涤、年齡和城市的學(xué)生信息數(shù)據(jù)框边酒。然后，使用scatter()方法繪制了年齡和學(xué)號的散點(diǎn)圖狸窘。橫軸為學(xué)號，縱軸為年齡坯认。最后翻擒，添加了橫軸、縱軸和標(biāo)題的標(biāo)簽牛哺，并展示了繪制的圖表陋气。
結(jié)果：
數(shù)據(jù)排序和排名
當(dāng)根據(jù)學(xué)生的姓名、年齡和所在城市這些實(shí)際應(yīng)用場景時引润，可以使用以下方法進(jìn)行排序和排名：
-
sort_values()方法示例：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 按照姓名列進(jìn)行升序排序
df_sorted = df.sort_values(by='姓名')
print(df_sorted)
輸出：
姓名 年齡 城市
0 張三 18 北京
3 趙六 17 深圳
1 李四 20 上海
2 王五 19 廣州
上述代碼中巩趁，使用sort_values()方法根據(jù)姓名列對學(xué)生信息進(jìn)行升序排序。排序后的結(jié)果按照姓名從小到大的順序排列淳附。
-
sort_index()方法示例：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 按照索引對數(shù)據(jù)框進(jìn)行排序
df_sorted = df.sort_index()
print(df_sorted)
輸出：
姓名 年齡 城市
0 張三 18 北京
1 李四 20 上海
2 王五 19 廣州
3 趙六 17 深圳
上述代碼中议慰，使用sort_index()方法按照索引對學(xué)生信息的數(shù)據(jù)框進(jìn)行排序。排序后的結(jié)果按照索引的順序排列奴曙。
-
rank()方法示例：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 根據(jù)年齡列對學(xué)生進(jìn)行排名
df['排名'] = df['年齡'].rank()
print(df)
輸出：
姓名 年齡 城市 排名
0 張三 18 北京 2.0
1 李四 20 上海 4.0
2 王五 19 廣州 3.0
3 趙六 17 深圳 1.0
上述代碼中别凹，使用rank()方法根據(jù)年齡列對學(xué)生進(jìn)行排名。通過添加一個名為"排名"的新列洽糟，顯示每個學(xué)生的排名情況炉菲。
缺失值處理
當(dāng)根據(jù)學(xué)生的姓名堕战、年齡和所在城市這些實(shí)際應(yīng)用場景時，可以使用以下方法處理缺失值：
-
isnull()方法示例：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框拍霜，其中包含一個缺失值
data = {'姓名': ['張三', '李四', '王五', None],
'年齡': [18, 20, None, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 檢查是否存在缺失值
is_null = df.isnull()
print(is_null)
輸出：
姓名 年齡 城市
0 False False False
1 False False False
2 False True False
3 True False False
上述代碼中嘱丢，使用isnull()方法檢查學(xué)生信息數(shù)據(jù)框中的缺失值。輸出結(jié)果顯示了每個元素是否為缺失值祠饺，True表示缺失值越驻，False表示非缺失值。
-
fillna()方法示例：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框吠裆，其中包含一個缺失值
data = {'姓名': ['張三', '李四', '王五', None],
'年齡': [18, 20, None, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 填充缺失值
df_filled = df.fillna('未知')
print(df_filled)
輸出：
姓名 年齡 城市
0 張三 18 北京
1 李四 20 上海
2 王五 未知 廣州
3 未知 17 深圳
上述代碼中伐谈，使用fillna()方法將學(xué)生信息數(shù)據(jù)框中的缺失值填充為"未知"。這樣可以將缺失值替換為指定的值试疙，便于數(shù)據(jù)的處理和分析诵棵。
-
dropna()方法示例：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框，其中包含一個缺失值
data = {'姓名': ['張三', '李四', '王五', None],
'年齡': [18, 20, None, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 刪除包含缺失值的行
df_dropped = df.dropna()
print(df_dropped)
輸出：
姓名 年齡 城市
0 張三 18.0 北京
1 李四 20.0 上海
上述代碼中祝旷，使用dropna()方法刪除包含缺失值的行履澳。只保留了完整的學(xué)生信息，缺失值所在的行被從數(shù)據(jù)框中刪除怀跛。
數(shù)據(jù)去重
當(dāng)根據(jù)學(xué)生的姓名距贷、年齡和所在城市這些實(shí)際應(yīng)用場景時，可以使用以下方法處理數(shù)據(jù)重復(fù)值：
-
duplicated()方法示例：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框吻谋，其中包含重復(fù)行
data = {'姓名': ['張三', '李四', '王五', '張三'],
'年齡': [18, 20, 19, 18],
'城市': ['北京', '上海', '廣州', '北京']}
df = pd.DataFrame(data)
# 檢查是否存在重復(fù)行
is_duplicated = df.duplicated()
print(is_duplicated)
輸出：
0 False
1 False
2 False
3 True
dtype: bool
上述代碼中忠蝗，使用duplicated()方法檢查學(xué)生信息數(shù)據(jù)框中的重復(fù)行。輸出結(jié)果為布爾值漓拾，表示每一行是否為重復(fù)行阁最，True表示重復(fù)行，False表示非重復(fù)行骇两。
-
drop_duplicates()方法示例：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框速种，其中包含重復(fù)行
data = {'姓名': ['張三', '李四', '王五', '張三'],
'年齡': [18, 20, 19, 18],
'城市': ['北京', '上海', '廣州', '北京']}
df = pd.DataFrame(data)
# 刪除重復(fù)行
df_dropped = df.drop_duplicates()
print(df_dropped)
輸出：
姓名 年齡 城市
0 張三 18 北京
1 李四 20 上海
2 王五 19 廣州
上述代碼中，使用drop_duplicates()方法刪除學(xué)生信息數(shù)據(jù)框中的重復(fù)行低千。刪除后的結(jié)果只保留了第一次出現(xiàn)的重復(fù)值配阵，其他重復(fù)值被從數(shù)據(jù)框中刪除。
數(shù)據(jù)轉(zhuǎn)換
當(dāng)根據(jù)學(xué)生的姓名示血、年齡和所在城市這些實(shí)際應(yīng)用場景時棋傍，可以使用以下方法進(jìn)行數(shù)據(jù)轉(zhuǎn)換：
-
apply()方法示例：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 對年齡列應(yīng)用函數(shù)
def increment_age(age):
return age + 1
df['年齡'] = df['年齡'].apply(increment_age)
print(df)
輸出：
姓名 年齡 城市
0 張三 19 北京
1 李四 21 上海
2 王五 20 廣州
3 趙六 18 深圳
上述代碼中，使用apply()方法對學(xué)生信息數(shù)據(jù)框中的年齡列應(yīng)用了一個自定義的函數(shù)increment_age()难审，該函數(shù)將每個年齡加1舍沙。通過應(yīng)用函數(shù)，年齡列中的值被逐個轉(zhuǎn)換剔宪。
-
map()方法示例：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 17],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 根據(jù)指定的字典進(jìn)行映射轉(zhuǎn)換
city_mapping = {'北京': 'Beijing',
'上海': 'Shanghai',
'廣州': 'Guangzhou',
'深圳': 'Shenzhen'}
df['城市'] = df['城市'].map(city_mapping)
print(df)
輸出：
姓名 年齡 城市
0 張三 18 Beijing
1 李四 20 Shanghai
2 王五 19 Guangzhou
3 趙六 17 Shenzhen
上述代碼中拂铡，使用map()方法根據(jù)指定的字典city_mapping對學(xué)生信息數(shù)據(jù)框中的城市列進(jìn)行映射轉(zhuǎn)換壹无。每個城市名稱被替換為字典中對應(yīng)的值，實(shí)現(xiàn)了城市名的轉(zhuǎn)換感帅。
數(shù)據(jù)分組和聚合
當(dāng)根據(jù)學(xué)生的姓名斗锭、年齡和所在城市這些實(shí)際應(yīng)用場景時，可以使用以下方法進(jìn)行數(shù)據(jù)分組和聚合：
-
groupby()方法示例：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '張三', '李四'],
'年齡': [18, 20, 19, 18, 20],
'城市': ['北京', '上海', '廣州', '北京', '上海']}
df = pd.DataFrame(data)
# 按照城市進(jìn)行分組
grouped = df.groupby('城市')
print(grouped.groups)
輸出：
{'上海': [1, 4], '北京': [0, 3], '廣州': [2]}
上述代碼中失球，使用groupby()方法將學(xué)生信息數(shù)據(jù)框按照城市進(jìn)行分組岖是。輸出結(jié)果是一個字典，其中鍵是每個唯一的城市名实苞，值是分組的索引列表豺撑。
-
sum()方法示例：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '張三', '李四'],
'年齡': [18, 20, 19, 18, 20],
'城市': ['北京', '上海', '廣州', '北京', '上海']}
df = pd.DataFrame(data)
# 按照城市進(jìn)行分組并計(jì)算總和
grouped = df.groupby('城市')
sum_age = grouped['年齡'].sum()
print(sum_age)
輸出：
城市
上海 40
北京 36
廣州 19
Name: 年齡, dtype: int64
上述代碼中，使用groupby()方法將學(xué)生信息數(shù)據(jù)框按照城市進(jìn)行分組黔牵，然后使用sum()方法計(jì)算每個城市的年齡總和聪轿。
-
mean()方法示例：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '張三', '李四'],
'年齡': [18, 20, 19, 18, 20],
'城市': ['北京', '上海', '廣州', '北京', '上海']}
df = pd.DataFrame(data)
# 按照城市進(jìn)行分組并計(jì)算平均值
grouped = df.groupby('城市')
mean_age = grouped['年齡'].mean()
print(mean_age)
輸出：
城市
上海 20.0
北京 18.0
廣州 19.0
Name: 年齡, dtype: float64
上述代碼中，使用groupby()方法將學(xué)生信息數(shù)據(jù)框按照城市進(jìn)行分組猾浦，然后使用mean()方法計(jì)算每個城市的年齡平均值陆错。
-
count()方法示例：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '張三', '李四'],
'年齡': [18, 20, 19, 18, 20],
'城市': ['北京', '上海', '廣州', '北京', '上海']}
df = pd.DataFrame(data)
# 按照城市進(jìn)行分組并計(jì)算計(jì)數(shù)
grouped = df.groupby('城市')
count = grouped['姓名'].count()
print(count)
輸出：
城市
上海 2
北京 2
廣州 1
Name: 姓名, dtype: int64
上述代碼中，使用groupby()方法將學(xué)生信息數(shù)據(jù)框按照城市進(jìn)行分組金赦，然后使用count()方法計(jì)算每個城市的數(shù)量音瓷。
數(shù)據(jù)合并和連接
-
concat()：按照指定的軸將多個數(shù)據(jù)框連接起來。 -
merge()：根據(jù)指定的列將兩個數(shù)據(jù)框進(jìn)行合并夹抗。 -
join()：根據(jù)索引或指定的列將兩個數(shù)據(jù)框進(jìn)行連接绳慎。
當(dāng)根據(jù)學(xué)生的姓名、年齡和所在城市這些實(shí)際應(yīng)用場景時漠烧，可以使用以下方法進(jìn)行數(shù)據(jù)合并和連接：
-
concat()方法示例：
import pandas as pd
# 創(chuàng)建兩個學(xué)生信息的示例數(shù)據(jù)框
data1 = {'姓名': ['張三', '李四'],
'年齡': [18, 20],
'城市': ['北京', '上海']}
data2 = {'姓名': ['王五', '趙六'],
'年齡': [19, 21],
'城市': ['廣州', '深圳']}
df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)
# 按照行方向連接兩個數(shù)據(jù)框
result = pd.concat([df1, df2])
print(result)
輸出：
姓名 年齡 城市
0 張三 18 北京
1 李四 20 上海
0 王五 19 廣州
1 趙六 21 深圳
上述代碼中杏愤，使用concat()方法按照行方向?qū)蓚€學(xué)生信息數(shù)據(jù)框df1和df2連接起來，形成一個新的數(shù)據(jù)框沽甥。連接操作會按照順序?qū)蓚€數(shù)據(jù)框的行進(jìn)行合并。
-
merge()方法示例：
import pandas as pd
# 創(chuàng)建兩個學(xué)生信息的示例數(shù)據(jù)框
data1 = {'姓名': ['張三', '李四'],
'年齡': [18, 20]}
data2 = {'姓名': ['李四', '王五'],
'城市': ['上海', '廣州']}
df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)
# 根據(jù)姓名列將兩個數(shù)據(jù)框進(jìn)行合并
result = pd.merge(df1, df2, on='姓名')
print(result)
輸出：
姓名 年齡 城市
0 李四 20 上海
上述代碼中乏奥，使用merge()方法根據(jù)姓名列將兩個學(xué)生信息數(shù)據(jù)框df1和df2進(jìn)行合并摆舟。合并操作會將具有相同姓名的行進(jìn)行匹配，并將對應(yīng)的年齡和城市列合并在一行上邓了。
-
join()方法示例：
import pandas as pd
# 創(chuàng)建兩個學(xué)生信息的示例數(shù)據(jù)框
data1 = {'年齡': [18, 20, 19],
'城市': ['北京', '上海', '廣州']}
data2 = {'姓名': ['張三', '李四', '王五'],
'成績': ['優(yōu)秀', '良好', '及格']}
df1 = pd.DataFrame(data1, index=['張三', '李四', '王五'])
df2 = pd.DataFrame(data2, index=['張三', '李四', '王五'])
# 使用join()方法將兩個數(shù)據(jù)框連接
result = df1.join(df2)
print(result)
輸出：
年齡 城市 姓名 成績
張三 18 北京 張三 優(yōu)秀
李四 20 上海 李四 良好
王五 19 廣州 王五 及格
上述代碼中恨诱，使用join()方法根據(jù)索引將兩個學(xué)生信息數(shù)據(jù)框df1和df2進(jìn)行連接。連接操作會將具有相同索引的行進(jìn)行匹配骗炉，并將對應(yīng)的列合并在一行上照宝。
數(shù)據(jù)篩選和過濾
當(dāng)根據(jù)學(xué)生的姓名、年齡和所在城市進(jìn)行數(shù)據(jù)篩選和過濾時句葵，可以使用以下方法來實(shí)現(xiàn)：
- 使用
[]進(jìn)行條件篩選：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 22],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 使用[]進(jìn)行條件篩選
result = df[(df['姓名'] == '張三') & (df['年齡'] >= 18) & (df['城市'] == '北京')]
print(result)
輸出：
姓名 年齡 城市
0 張三 18 北京
代碼理解：
- 使用
[]來篩選符合特定條件的數(shù)據(jù)厕鹃。 - 在
[]內(nèi)兢仰，通過指定條件(df['姓名'] == '張三') & (df['年齡'] > 18) & (df['城市'] == '北京')對數(shù)據(jù)進(jìn)行篩選。 - 打印符合條件的結(jié)果剂碴。
- 使用
query()方法進(jìn)行數(shù)據(jù)篩選：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 22],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 使用query()方法進(jìn)行數(shù)據(jù)篩選
result = df.query("姓名 == '李四' and 年齡 > 18 and 城市 == '上海'")
print(result)
輸出：
姓名 年齡 城市
1 李四 20 上海
代碼理解：
- 使用
query()方法來篩選符合特定條件的數(shù)據(jù)把将。 - 在
query()方法內(nèi)，傳入表達(dá)式"姓名 == '李四' and 年齡 > 18 and 城市 == '上海'"來進(jìn)行數(shù)據(jù)篩選忆矛。 - 打印符合條件的結(jié)果察蹲。
- 使用
loc[]進(jìn)行行和列的篩選：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 22],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 使用loc[]進(jìn)行行和列的篩選
result = df.loc[(df['姓名'] == '王五'), ['姓名', '城市']]
print(result)
輸出：
姓名 城市
2 王五 廣州
代碼理解：
- 使用
loc[]來篩選符合特定條件的行和列。 - 在
loc[]內(nèi)催训，通過指定行的條件(df['姓名'] == '王五')和列的標(biāo)簽['姓名', '城市']洽议，來進(jìn)行數(shù)據(jù)篩選。 - 打印符合條件的結(jié)果漫拭。
- 使用
iloc[]進(jìn)行行和列的篩選：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 22],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 使用iloc[]進(jìn)行行和列的篩選
result = df.iloc[[1, 3], [0, 2]]
print(result)
輸出：
姓名 城市
1 李四 上海
3 趙六 深圳
代碼理解：
- 使用
iloc[]來根據(jù)位置索引篩選行和列亚兄。 - 在
iloc[]內(nèi)，傳入需要篩選的行索引[1, 3]和列索引[0, 2]嫂侍，來進(jìn)行數(shù)據(jù)篩選儿捧。 - 打印符合條件的結(jié)果。
- 使用
&進(jìn)行邏輯與操作：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 22],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 使用邏輯與操作符進(jìn)行多條件篩選
result = df[(df['年齡'] > 18) & (df['城市'] == '廣州')]
print(result)
輸出：
姓名 年齡 城市
2 王五 19 廣州
代碼理解：
- 使用
&進(jìn)行邏輯與操作符挑宠，用于組合多個條件進(jìn)行邏輯與操作菲盾。 - 在
df[]內(nèi)，通過指定條件(df['年齡'] > 18) & (df['城市'] == '廣州')對數(shù)據(jù)進(jìn)行篩選各淀。 - 打印符合條件的結(jié)果懒鉴。
- 使用
|進(jìn)行邏輯或操作：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 22],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 使用邏輯或操作符進(jìn)行多條件篩選
result = df[(df['年齡'] > 20) | (df['城市'] == '廣州')]
print(result)
輸出：
姓名 年齡 城市
2 王五 19 廣州
3 趙六 22 深圳
代碼理解：
- 使用
|進(jìn)行邏輯或操作符，用于組合多個條件進(jìn)行邏輯或操作碎浇。 - 在
df[]內(nèi)临谱，通過指定條件(df['年齡'] > 20) | (df['城市'] == '廣州')對數(shù)據(jù)進(jìn)行篩選。 - 打印符合條件的結(jié)果奴璃。
- 使用
isin()方法進(jìn)行數(shù)據(jù)包含性檢查：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 22],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 使用isin()方法進(jìn)行數(shù)據(jù)包含性檢查
cities = ['上海', '廣州']
result = df[df['城市'].isin(cities)]
print(result)
輸出：
姓名 年齡 城市
1 李四 20 上海
2 王五 19 廣州
代碼理解：
- 使用
isin()方法悉默，檢查數(shù)據(jù)是否包含在指定的列表中。 - 在
df[]內(nèi)苟穆，通過對列df['城市']應(yīng)用isin(cities)來進(jìn)行數(shù)據(jù)包含性檢查抄课。 - 打印符合條件的結(jié)果。
- 使用
str.contains()方法進(jìn)行字符串匹配：
import pandas as pd
# 創(chuàng)建學(xué)生信息的示例數(shù)據(jù)框
data = {'姓名': ['張三', '李四', '王五', '趙六'],
'年齡': [18, 20, 19, 22],
'城市': ['北京', '上海', '廣州', '深圳']}
df = pd.DataFrame(data)
# 使用str.contains()方法進(jìn)行字符串匹配
result = df[df['姓名'].str.contains('張')]
print(result)
輸出：
姓名 年齡 城市
0 張三 18 北京
代碼理解：
- 使用
str.contains()方法雳旅，檢查字符串是否包含指定的子字符串跟磨。 - 在
df[]內(nèi)，通過對列df['姓名']應(yīng)用str.contains('張')來進(jìn)行字符串匹配攒盈。 - 打印符合條件的結(jié)果抵拘。
以上是根據(jù)學(xué)生的姓名、年齡和所在城市進(jìn)行數(shù)據(jù)篩選和過濾的代碼示例和代碼理解型豁。根據(jù)實(shí)際應(yīng)用需求僵蛛，選擇適合的方法進(jìn)行數(shù)據(jù)處理尚蝌。
總結(jié)
在辦公場景中，Excel和CSV文件是常見的數(shù)據(jù)處理和分析工具墩瞳。本文介紹了一些Excel和CSV自動化處理的魔法驼壶，幫助提高工作效率和準(zhǔn)確性。
- 使用Python的pandas庫進(jìn)行數(shù)據(jù)處理：pandas是一個功能強(qiáng)大的數(shù)據(jù)處理庫喉酌，可以讀取热凹、寫入和編輯Excel和CSV文件。它提供了豐富的功能泪电，如數(shù)據(jù)篩選般妙、排序、合并等相速〉欤可以使用pandas來自動化處理文件中的數(shù)據(jù)，提取所需信息并進(jìn)行分析突诬。
- 使用openpyxl庫實(shí)現(xiàn)Excel自動化：openpyxl是一個用于處理Excel文件的Python庫苫拍。它可以讀取、創(chuàng)建和修改Excel文件旺隙，可以自動化進(jìn)行表格绒极、圖表和公式的操作。使用openpyxl可以編寫腳本來批量處理Excel文件蔬捷，從而提高生產(chǎn)力垄提。
- 使用csv模塊處理CSV文件：Python的csv模塊提供了簡單的接口來讀取和寫入CSV文件。它可以幫助實(shí)現(xiàn)CSV文件的自動化處理周拐，例如數(shù)據(jù)清洗铡俐、格式轉(zhuǎn)換和數(shù)據(jù)提取等。通過編寫腳本妥粟，可以快速审丘、準(zhǔn)確地處理大量的CSV數(shù)據(jù)。
- 利用VBA進(jìn)行Excel宏編程：Excel自帶的Visual Basic for Applications (VBA)是一種宏語言勾给，可以編寫腳本來自動化執(zhí)行各種Excel操作滩报。通過編寫VBA宏，可以自動化處理Excel文件中的數(shù)據(jù)锦秒、圖表露泊、格式喉镰、公式等旅择，從而提高工作效率。
- 使用Excel公式進(jìn)行數(shù)據(jù)計(jì)算和分析：Excel內(nèi)置了很多強(qiáng)大的函數(shù)和公式侣姆，可以進(jìn)行數(shù)據(jù)計(jì)算生真、統(tǒng)計(jì)和分析沉噩。通過編寫復(fù)雜數(shù)學(xué)公式，可以自動化進(jìn)行數(shù)據(jù)處理和分析柱蟀，減少手動操作的時間和錯誤川蒙。
以上是Excel和CSV自動化處理的一些魔法。通過結(jié)合Python的pandas长已、openpyxl庫畜眨、csv模塊和Excel自帶的VBA和公式，可以實(shí)現(xiàn)自動處理和分析大量的數(shù)據(jù)术瓮，提高工作效率和準(zhǔn)確性康聂。
請注意，在使用自動化工具和腳本時胞四，始終保持?jǐn)?shù)據(jù)的準(zhǔn)確性和安全性恬汁。在處理敏感數(shù)據(jù)時，確保遵守相關(guān)的數(shù)據(jù)保護(hù)和隱私法規(guī)辜伟。
如果您還有其他關(guān)于Excel和CSV自動化處理的問題氓侧，我將非常樂意繼續(xù)幫助您！
歡迎關(guān)注微信公眾號【千練極客】导狡，盡享更多干貨文章约巷！
歡迎關(guān)注微信公眾號【千練極客】，盡享更多干貨文章烘豌！
歡迎關(guān)注微信公眾號【千練極客】载庭，盡享更多干貨文章！
本文由博客一文多發(fā)平臺 OpenWrite 發(fā)布廊佩！
