Python数据分析:pandas玩转Excel(三)

简介: Python数据分析:pandas玩转Excel(三)

将对象写入Excel工作表。


要将单个对象写入 Excel .xlsx 文件,只需指定目标文件名即可。要写入多个工作表,必须创建具有目标文件名的ExcelWriter对象,并在文件中指定要写入的工作表。


可以通过指定唯一sheet_name写入多个工作表。将所有数据写入文件后,必须保存更改。请注意,创建具有已存在的文件名的ExcelWriter对象将导致删除现有文件的内容。


1 df.to_excel( )的参数


写入Excel文件


df.to_excel(self,
         excel_writer,             # 输出路径
     sheet_name='Sheet1',    # 命名excel工作表名 
         na_rep='',                # 缺失值填充 ,可以设置为字符串
         float_format=None,
         columns=None, # 选择输出的的列存入。
         header=True,  # 指定作为列名的行,默认0,即取第一行
         index=True,   # 默认为True,显示index,当index=False 则不显示行索引(名字)
         index_label=None,  # 设置索引列的列名
         startrow=0, 
         startcol=0, 
         engine=None,
         merge_cells=True,
         encoding=None, 
         inf_rep='inf', 
         verbose=True,
         freeze_panes=None)


image.png


2 Parameters参数


1.excel_writer:str or ExcelWriter object


文件路径或现有的ExcelWriter。


2.sheet_name:str, default ‘Sheet1’


包含DataFrame的工作表名称。


3.na_rep:str, default ‘’


缺少数据表示。

如果na_rep设置为bool值,则写入excel时改为0和1;也可以写入字符串或数字

4.float_format:str, optional


浮点数的格式字符串。例如 float_format="%.2f"将格式0.1234设置为0.12。


5.columns:sequence or list of str, optional


要写入的列。


6.header:bool or list of str, default True


写出列名称。如果给定字符串列表,则假定该字符串为列名称的别名。


7.index:bool, default True


写入行名(索引)。


8.index_label:str or sequence, optional


索引列的列标签(如果需要)。如果未指定,并且 标头和索引为True,则使用索引名称。如果DataFrame使用MultiIndex,则应给出一个序列。


9.startrow:int, default 0


左上角的单元格行来转储数据帧。


10.startcol:int, default 0


左上角的单元格列以转储数据帧。


11.engine:str, optional


编写要使用的引擎,“ openpyxl”或“ xlsxwriter”。您也可以通过选项设置此io.excel.xlsx.writer,io.excel.xls.writer和 io.excel.xlsm.writer。


12.merge_cells:bool, default True


将MultiIndex和Hierarchical Rows写入合并的单元格


13.encoding:str, optional


生成的excel文件的编码。只有xlwt才需要,其他作者本机支持unicode。


14.inf_rep:str, default ‘inf’


表示无穷大(Excel中没有本机表示无穷大)。


15.verbose:bool, default True


在错误日志中显示更多信息。


16.freeze_panes:tuple of int (length 2), optional


指定要冻结的从一开始的最底行和最右列。


笔记


为了与兼容to_csv(), to_excel在写入之前将列表和字典序列化为字符串。


保存工作簿后,如果不重写整个工作簿就无法写入更多数据。


3 例子


创建,写入和保存工作簿:

>>> df1 = pd.DataFrame([['a', 'b'], ['c', 'd']],
...                    index=['row 1', 'row 2'],
...                    columns=['col 1', 'col 2'])
>>> df1.to_excel("output.xlsx")  

要指定工作表名称:


>>> df1.to_excel("output.xlsx",
...              sheet_name='Sheet_name_1')


如果您希望在工作簿中写多个工作表,则必须指定一个ExcelWriter对象:


>>> df2 = df1.copy()
>>> with pd.ExcelWriter('output.xlsx') as writer:  
...     df1.to_excel(writer, sheet_name='Sheet_name_1')
...     df2.to_excel(writer, sheet_name='Sheet_name_2')


ExcelWriter也可以用于附加到现有的Excel文件:


>>> with pd.ExcelWriter('output.xlsx',
...                     mode='a') as writer:  
...     df.to_excel(writer, sheet_name='Sheet_name_3')


要设置用于写入Excel文件的库,您可以传递engine关键字(根据文件扩展名自动选择默认引擎):


>>> df1.to_excel('output1.xlsx', engine='xlsxwriter')
目录
相关文章
|
5天前
|
人工智能 数据可视化 前端开发
Probly:开源 AI Excel表格工具,交互式生成数据分析结果与可视化图表
Probly 是一款结合电子表格功能与 Python 数据分析能力的 AI 工具,支持在浏览器中运行 Python 代码,提供交互式电子表格、数据可视化和智能分析建议,适合需要强大数据分析功能又希望操作简便的用户。
133 2
|
19天前
|
机器学习/深度学习 存储 数据可视化
这份Excel+Python飞速搞定数据分析手册,简直可以让Excel飞起来
本书介绍了如何将Python与Excel结合使用,以提升数据分析和处理效率。内容涵盖Python入门、pandas库的使用、通过Python包操作Excel文件以及使用xlwings对Excel进行编程。书中详细讲解了Anaconda、Visual Studio Code和Jupyter笔记本等开发工具,并探讨了NumPy、DataFrame和Series等数据结构的应用。此外,还介绍了多个Python包(如OpenPyXL、XlsxWriter等)用于在无需安装Excel的情况下读写Excel文件,帮助用户实现自动化任务和数据处理。
|
21天前
|
Python
python pandas学习(一)
该代码段展示了四个主要操作:1) 删除指定列名,如商品id;2) 使用正则表达式模糊匹配并删除列,例如匹配订单商品名称1的列;3) 将毫秒级时间戳转换为带有时区调整的日期时间格式,并增加8小时以适应本地时区;4) 将列表转换为DataFrame后保存为Excel文件,文件路径和名称根据变量拼接而成。
24 3
|
2月前
|
存储 数据挖掘 数据处理
Python Pandas入门:行与列快速上手与优化技巧
Pandas是Python中强大的数据分析库,广泛应用于数据科学和数据分析领域。本文为初学者介绍Pandas的基本操作,包括安装、创建DataFrame、行与列的操作及优化技巧。通过实例讲解如何选择、添加、删除行与列,并提供链式操作、向量化处理、索引优化等高效使用Pandas的建议,帮助用户在实际工作中更便捷地处理数据。
57 2
|
2月前
|
存储 数据采集 数据可视化
Pandas数据应用:医疗数据分析
Pandas是Python中强大的数据操作和分析库,广泛应用于医疗数据分析。本文介绍了使用Pandas进行医疗数据分析的常见问题及解决方案,涵盖数据导入、预处理、清洗、转换、可视化等方面。通过解决文件路径错误、编码不匹配、缺失值处理、异常值识别、分类变量编码等问题,结合Matplotlib等工具实现数据可视化,并提供了解决常见报错的方法。掌握这些技巧可以提高医疗数据分析的效率和准确性。
94 22
|
3月前
|
存储 数据采集 数据可视化
Pandas数据应用:电子商务数据分析
本文介绍如何使用 Pandas 进行电子商务数据分析,涵盖数据加载、清洗、预处理、分析与可视化。通过 `read_csv` 等函数加载数据,利用 `info()` 和 `describe()` 探索数据结构和统计信息。针对常见问题如缺失值、重复记录、异常值等,提供解决方案,如 `dropna()`、`drop_duplicates()` 和正则表达式处理。结合 Matplotlib 等库实现数据可视化,探讨内存不足和性能瓶颈的应对方法,并总结常见报错及解决策略,帮助提升电商企业的数据分析能力。
164 73
|
3月前
|
数据采集 数据可视化 数据挖掘
Pandas数据应用:天气数据分析
本文介绍如何使用 Pandas 进行天气数据分析。Pandas 是一个强大的 Python 数据处理库,适合处理表格型数据。文章涵盖加载天气数据、处理缺失值、转换数据类型、时间序列分析(如滚动平均和重采样)等内容,并解决常见报错如 SettingWithCopyWarning、KeyError 和 TypeError。通过这些方法,帮助用户更好地进行气候趋势预测和决策。
153 71
|
3月前
|
数据采集 数据可视化 索引
Pandas数据应用:股票数据分析
本文介绍了如何使用Pandas库进行股票数据分析。首先,通过pip安装并导入Pandas库。接着,从本地CSV文件读取股票数据,并解决常见的解析错误。然后,利用head()、info()等函数查看数据基本信息,进行数据清洗,处理缺失值和重复数据。再者,结合Matplotlib和Seaborn进行数据可视化,绘制收盘价折线图。最后,进行时间序列分析,设置日期索引、重采样和计算移动平均线。通过这些步骤,帮助读者掌握Pandas在股票数据分析中的应用。
112 5
|
3月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
本文将引导读者了解如何使用Python进行数据分析,从安装必要的库到执行基础的数据操作和可视化。通过本文的学习,你将能够开始自己的数据分析之旅,并掌握如何利用Python来揭示数据背后的故事。
|
4月前
|
机器学习/深度学习 算法 数据挖掘
数据分析的 10 个最佳 Python 库
数据分析的 10 个最佳 Python 库
254 4
数据分析的 10 个最佳 Python 库

热门文章

最新文章

推荐镜像

更多