使用python提取excle数据 , 进行处理并写回

简介: 使用python提取excle数据 , 进行处理并写回
import pandas as pd
def open_excel(file_path,sheet_name,old_line,new_line):
    df = pd.read_excel(file_path, sheet_name=sheet_name)
    processed_data = []
    # 迭代DataFrame中的每一行
    for index, row in df.iterrows():
        # 提取当前行的'data'字段值
        data_value = row[f'{old_line}']
        run(data_value, processed_data)
    # 将处理后的数据列表转换为pandas Series,以便可以赋值给DataFrame的列
    processed_series = pd.Series(processed_data, index=df.index)
    # 将处理后的Series赋值回原来的DataFrame的'data'列
    df[f'{new_line}'] = processed_series
    # 保存回Excel文件,注意这会覆盖原始文件,请确保备份或允许覆盖
    df.to_excel(file_path, index=False, sheet_name=sheet_name)
    print(processed_data)
    print("处理完成,数据已写回Excel文件。")
def run(data_value,processed_data):
    
    # 处理数据 , 这里写入处理方式
    try:
        data = len(data_value)
    except Exception as e:
        data = ''
        print(e)
    processed_data.append(data)
if __name__ == '__main__':
    # 替换为你的Excel文件路径
    file_path = r"D:\Users\lenovo\Desktop\cc.xlsx"
    # 替换为你的工作表名,如果是默认的话通常是'Sheet1'
    sheet_name = 'Sheet1'
    # 替换为你的Excel文件中要处理的列名
    old_line = '评论'
    # 替换为你的Excel文件中要替换的列名
    new_line = 'aa'
    open_excel(file_path, sheet_name, old_line, new_line)


相关文章
|
4天前
|
数据挖掘 数据处理 索引
python 读取数据存为csv
在Python中,读取数据并将其保存为CSV(逗号分隔值)文件是一种常见的操作,特别适用于数据分析和数据科学领域。这里将展示如何使用Python的内置库`csv`和流行的数据处理库`pandas`来完成这项任务。 ### 使用`csv`模块 如果你正在处理的是简单的文本数据或者需要更低层次的控制,可以使用Python的`csv`模块。以下是一个基本示例,演示如何将数据写入CSV文件: ```python import csv # 假设这是你要写入CSV的数据 rows = [ ["Name", "Age", "City"], ["Alice", 24, "New Yor
58 35
|
2天前
|
数据采集 存储 JavaScript
构建您的第一个Python网络爬虫:抓取、解析与存储数据
【9月更文挑战第24天】在数字时代,数据是新的金矿。本文将引导您使用Python编写一个简单的网络爬虫,从互联网上自动抓取信息。我们将介绍如何使用requests库获取网页内容,BeautifulSoup进行HTML解析,以及如何将数据存储到文件或数据库中。无论您是数据分析师、研究人员还是对编程感兴趣的新手,这篇文章都将为您提供一个实用的入门指南。拿起键盘,让我们开始挖掘互联网的宝藏吧!
|
2天前
|
关系型数据库 MySQL 数据库
Python MySQL查询返回字典类型数据的方法
通过使用 `mysql-connector-python`库并选择 `MySQLCursorDict`作为游标类型,您可以轻松地将MySQL查询结果以字典类型返回。这种方式提高了代码的可读性,使得数据操作更加直观和方便。上述步骤和示例代码展示了如何实现这一功能,希望对您的项目开发有所帮助。
15 4
|
3天前
|
数据可视化 数据挖掘 开发者
数据可视化新纪元!Python + Matplotlib + Seaborn,让你的数据故事生动起来!
在这个数据可视化的新纪元,让我们充分发挥 Python 的优势,用精彩的图表讲述数据背后的故事,为决策提供有力的支持,为交流带来清晰的视角。
19 4
|
4天前
|
供应链 数据挖掘 数据处理
聚合数据,洞察未来!Python聚合术,解锁数据背后的商业密码!
在数据泛滥的时代,数据聚合成为企业决策的关键。它通过整合不同来源的数据,揭示隐藏规律与趋势,为科学决策提供依据。Python凭借其丰富的库如Pandas和NumPy,在数据聚合中表现出色,简化了数据处理流程。通过示例展示了如何使用Pandas对销售数据进行聚合分析,帮助企业优化库存管理、调整策略,预测需求,在竞争中脱颖而出。
18 5
|
1天前
|
数据采集 数据挖掘 数据处理
数据清洗,不只是清洁!Python教你如何挖掘数据中的隐藏价值!
在数据驱动的时代,数据被视为企业的核心资产。然而,这些宝贵的数据往往伴随着噪声、缺失值、异常值等问题,如同未经雕琢的璞玉,需要精心打磨才能展现出其内在的价值。数据清洗,这一看似简单的预处理过程,实则蕴含着挖掘数据深层价值的无限可能。今天,就让我们借助Python的力量,一同探索如何通过数据清洗来发现数据中的隐藏宝藏。
10 1
|
2天前
|
数据处理 Python
数据变形记:Python转换技巧大公开,轻松玩转数据魔方!
在数据处理领域,数据变形是连接原始数据与洞察的桥梁。本文通过电商用户购买行为数据集的案例,展示了Python强大的数据处理能力。我们将购买日期转换为日期类型,计算每位用户的总花费,并对商品价格应用折扣,最终将杂乱的数据转化为有序、有价值的信息。通过Pandas库,我们实现了从简单类型转换到复杂数值计算的全过程,揭示了数据变形的无限可能。
11 1
|
2天前
|
开发框架 JSON 缓存
震撼发布!Python Web开发框架下的RESTful API设计全攻略,让数据交互更自由!
在数字化浪潮推动下,RESTful API成为Web开发中不可或缺的部分。本文详细介绍了在Python环境下如何设计并实现高效、可扩展的RESTful API,涵盖框架选择、资源定义、HTTP方法应用及响应格式设计等内容,并提供了基于Flask的示例代码。此外,还讨论了版本控制、文档化、安全性和性能优化等最佳实践,帮助开发者实现更流畅的数据交互体验。
14 1
|
5天前
|
数据采集 机器学习/深度学习 数据挖掘
告别脏乱差!Python数据清洗秘籍,让你的数据比初恋还纯净!
在数据分析与机器学习领域,数据质量至关重要。本文将带你揭秘如何使用Python进行高效的数据清洗。面对缺失值,可以利用Pandas填充或删除;遇到异常值,可通过IQR方法识别并过滤;数据类型不一致时,需统一转换;重复记录则应被清除。通过这些步骤,让你的数据焕然一新,更加纯净可靠。以下是具体操作示例: - **处理缺失值**:使用Pandas的`fillna`或`dropna`方法。 - **识别异常值**:利用IQR方法过滤极端值。 - **统一数据类型**:确保所有数据列类型一致。 - **删除重复记录**:避免计算资源浪费和结果偏差。 让你的数据比初恋更纯净,从现在做起!
16 1
|
1天前
|
数据挖掘 Python
Python数据挖掘编程基础
本章介绍了Python数据挖掘编程的基础知识,涵盖Python入门所需的命令、判断与循环、函数、库导入等内容,并重点讲解了数据分析预处理和建模常用库。通过学习基本运算、数据结构、字符串操作等,帮助读者快速掌握Python语言,为后续数据挖掘工作打下坚实基础。例如,通过代码`a=3`进行赋值,利用`a*3`执行乘法运算,使用`a**3`计算幂,以及通过对字符串的拼接和分割操作,展示Python的强大功能。
9 0