数据处理不再烦恼,Python 轻松将数据写入 Excel的方法。

简介: 数据处理不再烦恼,Python 轻松将数据写入 Excel的方法。

前言


本文介绍python向excell中写入数据的两种方法:

第一种是一次性写入数据,写第二次的话,之前的数据就会全部丢失!要写入的Excell可以有也可以没有;

第二种是追加方式写入数据,在工作中,显然第二种方式使用的更多。


链接


0、为什么将数据写入excel?


  • 将数据从Python写入Excel的功能可以帮助用户更方便、快速地处理和分析大量数据,以及更好地进行数据可视化。这对于需要在工作中进行大量数据处理和分析的人来说非常有用,如数据分析师、研究人员、财务人员等。通过Python,用户可以自动化地将数据导入Excel,以便更好地组织和分析数据。同时,这种方法还可以减少数据输入错误的风险,提高数据处理效率。
  • Python可以使用第三方库来实现将数据写入Excel文件的功能,其中最常用的库是openpyxl和xlwt。
  • openpyxl库是一种基于Python的开源库,提供了创建和修改Excel文件的方法。使用openpyxl库,用户可以将Python数据结构转换为Excel工作簿、工作表、单元格等对象,以便于对这些数据进行操作和修改。


一、一次性写入数据(xlwt)

# 一次性写入所有文件,直接覆盖,无法追加写入!
# 导入xlwt模块
import xlwt
# 创建一个Workbook对象 编码encoding
Excel = xlwt.Workbook(encoding='utf-8', style_compression=0)
# 添加一个sheet工作表、sheet名命名为Sheet1、cell_overwrite_ok=True允许覆盖写
table = Excel.add_sheet('Sheet1', cell_overwrite_ok=True)
# 写入第几行、第几列的数据,数据是什么,从0行、0列开始算起。
classification = ['公用', '吃', '硬', '喝', '酸', '甜', '酸甜', '辣', '苦', '热', '烫', '冷', '凉', '冰', '浓', '淡', '咸', '咸淡', '香', '咸香', '脆', '酥', '香脆', '汁', '油', '肉', '嫩', '嚼劲', '软', '柔', '滑', '大', '小', '少', '差', '不', '形容饭的多少', '美味', '新鲜', '入味', '味道', '特色', '一般', '炸', '腥味', '恶心', '难受', '怪', '臭', '']
# 写入第一行。
for i in range(len(classification)):
# 函数:table.write(行, 列, 要写入的数据)
    table.write(0, i, classification[i])
# Excel表保存的文件名字
Excel.save(r'./Excell/classification_statistics.xlsx')


二、追加方式写入数据(openpyxl)

import openpyxl
# 追加方式写入数据
# 读取excel文件,获取workbook对象
wb = openpyxl.load_workbook("Test.xlsx")
# 通过名称获取工作薄
sheet = wb['Sheet']
# 插入一行数据
sheet.append(["Hello", "World"])
# 具体修改哪一行那一列的数据
# 注意:cell的参数row、column必须是大于等于1的。
# sheet.cell(行, 列).value = 数据
# 保存,传入原文件则在原文件上追加数据,也可以保存为新文
wb.save("Test.xlsx")
# 如果报错zipfile.BadZipFile: File is not a zip file,
# 则删除文件,重新手动创建一个文件就可以了,不要用代码创建!
# openpyxl更加详细的使用可以参见博客:https://blog.csdn.net/weixin_41546513/article/details/109555832


总结


庆祝粉丝过万啦!🎉🎉🎉

相关文章
|
8月前
|
Java 数据处理 索引
(Pandas)Python做数据处理必选框架之一!(二):附带案例分析;刨析DataFrame结构和其属性;学会访问具体元素;判断元素是否存在;元素求和、求标准值、方差、去重、删除、排序...
DataFrame结构 每一列都属于Series类型,不同列之间数据类型可以不一样,但同一列的值类型必须一致。 DataFrame拥有一个总的 idx记录列,该列记录了每一行的索引 在DataFrame中,若列之间的元素个数不匹配,且使用Series填充时,在DataFrame里空值会显示为NaN;当列之间元素个数不匹配,并且不使用Series填充,会报错。在指定了index 属性显示情况下,会按照index的位置进行排序,默认是 [0,1,2,3,...] 从0索引开始正序排序行。
585 0
|
8月前
|
存储 Java 数据处理
(numpy)Python做数据处理必备框架!(一):认识numpy;从概念层面开始学习ndarray数组:形状、数组转置、数值范围、矩阵...
Numpy是什么? numpy是Python中科学计算的基础包。 它是一个Python库,提供多维数组对象、各种派生对象(例如掩码数组和矩阵)以及用于对数组进行快速操作的各种方法,包括数学、逻辑、形状操作、排序、选择、I/0 、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等等。 Numpy能做什么? numpy的部分功能如下: ndarray,一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组 用于对整组数据进行快速运算的标准数学函数(无需编写循环)。 用于读写磁盘数据的工具以及用于操作内存映射文件的工具。 线性代数、随机数生成以及傅里叶变换功能。 用于集成由C、C++
638 1
|
9月前
|
测试技术 开发者 Python
Python单元测试入门:3个核心断言方法,帮你快速定位代码bug
本文介绍Python单元测试基础,详解`unittest`框架中的三大核心断言方法:`assertEqual`验证值相等,`assertTrue`和`assertFalse`判断条件真假。通过实例演示其用法,帮助开发者自动化检测代码逻辑,提升测试效率与可靠性。
586 1
|
8月前
|
Java 数据挖掘 数据处理
(Pandas)Python做数据处理必选框架之一!(一):介绍Pandas中的两个数据结构;刨析Series:如何访问数据;数据去重、取众数、总和、标准差、方差、平均值等;判断缺失值、获取索引...
Pandas 是一个开源的数据分析和数据处理库,它是基于 Python 编程语言的。 Pandas 提供了易于使用的数据结构和数据分析工具,特别适用于处理结构化数据,如表格型数据(类似于Excel表格)。 Pandas 是数据科学和分析领域中常用的工具之一,它使得用户能够轻松地从各种数据源中导入数据,并对数据进行高效的操作和分析。 Pandas 主要引入了两种新的数据结构:Series 和 DataFrame。
704 0
|
8月前
|
Java 数据处理 索引
(numpy)Python做数据处理必备框架!(二):ndarray切片的使用与运算;常见的ndarray函数:平方根、正余弦、自然对数、指数、幂等运算;统计函数:方差、均值、极差;比较函数...
ndarray切片 索引从0开始 索引/切片类型 描述/用法 基本索引 通过整数索引直接访问元素。 行/列切片 使用冒号:切片语法选择行或列的子集 连续切片 从起始索引到结束索引按步长切片 使用slice函数 通过slice(start,stop,strp)定义切片规则 布尔索引 通过布尔条件筛选满足条件的元素。支持逻辑运算符 &、|。
388 0
|
10月前
|
机器学习/深度学习 数据采集 数据挖掘
基于 GARCH -LSTM 模型的混合方法进行时间序列预测研究(Python代码实现)
基于 GARCH -LSTM 模型的混合方法进行时间序列预测研究(Python代码实现)
337 2
|
10月前
|
调度 Python
微电网两阶段鲁棒优化经济调度方法(Python代码实现)
微电网两阶段鲁棒优化经济调度方法(Python代码实现)
253 0
|
10月前
|
传感器 大数据 API
Python数字限制在指定范围内:方法与实践
在Python编程中,限制数字范围是常见需求,如游戏属性控制、金融计算和数据过滤等场景。本文介绍了五种主流方法:基础条件判断、数学运算、装饰器模式、类封装及NumPy数组处理,分别适用于不同复杂度和性能要求的场景。每种方法均有示例代码和适用情况说明,帮助开发者根据实际需求选择最优方案。
444 0
|
10月前
|
Python
Python字符串center()方法详解 - 实现字符串居中对齐的完整指南
Python的`center()`方法用于将字符串居中,并通过指定宽度和填充字符美化输出格式,常用于文本对齐、标题及表格设计。
|
11月前
|
数据采集 数据可视化 数据挖掘
用 Excel+Power Query 做电商数据分析:从 “每天加班整理数据” 到 “一键生成报表” 的配置教程
在电商运营中,数据是增长的关键驱动力。然而,传统的手工数据处理方式效率低下,耗费大量时间且易出错。本文介绍如何利用 Excel 中的 Power Query 工具,自动化完成电商数据的采集、清洗与分析,大幅提升数据处理效率。通过某美妆电商的实战案例,详细拆解从多平台数据整合到可视化报表生成的全流程,帮助电商从业者摆脱繁琐操作,聚焦业务增长,实现数据驱动的高效运营。

推荐镜像

更多