我们经常要处理excel的数据，本公众号在前文多次介绍使用pandas处理excel的数据基本方法，本文继续汇总Python处理表格数据常用的一些操作，供读者参阅。

import pandas as pd

# 读取Excel文件
data = pd.read_excel('example.xlsx')

# 读取指定的工作表
data = pd.read_excel('example.xlsx', sheet_name='Sheet1')

# 读取日期格式
data = pd.read_excel('example.xlsx', parse_dates=['Date'])

# 添加列名
data = pd.read_excel('example.xlsx', names=['A', 'B', 'C'])

# 保存为Excel文件
data.to_excel('output.xlsx', index=False)

# 筛选数据
filtered_data = data[data['A'] > 10]

# 按A列排序
sorted_data = data.sort_values(by='A')

# 按A列分组
grouped_data = data.groupby('A')

# 计算分组平均值
grouped_mean = grouped_data.mean()

# 查找替换数据
data.replace({'old_value': 'new_value'}, inplace=True)

# 在第一列插入新列
data.insert(0, 'NewColumn', 'default_value')

# 删除第一列
data.drop(data.columns[0], axis=1, inplace=True)

# 重命名列
data.rename(columns={'A': 'NewColumnName'}, inplace=True)

# 合并两个Excel文件
merged_data = pd.concat([data1, data2], ignore_index=True)

# 创建数据透视表
pivot_table = data.pivot_table(index='A', columns='B', values='C')

import matplotlib.pyplot as plt

# 创建数据透视图
pivot_table = data.pivot_table(index='A', columns='B', values='C')
pivot_table.plot(kind='bar')
plt.show()

# 去除空格
data['ColumnName'].str.strip()

# 去除特殊字符
data['ColumnName'] = data['ColumnName'].str.replace(r'[^a-zA-Z0-9]', '')

# 使用Excel公式
data=pd.read_excel('example.xlsx')
data['NewColumn'] = '=SUM(A2:B2)'

# 获取A列唯一值
data["A"].unique()

# 删除重复行
df = df.drop_duplicates()

# 修改列名大小写
df.columns = [col.lower() for col in df.columns]

# 修改列顺序
df = df[['B', 'A', 'C']]

# 添加新列
df['D'] = df['A'] + df['B']

# 删除指定列
df = df.drop('A', axis=1)

# 使用条件表达式筛选数据
filtered_data = df[(df['A'] > 10) & (df['B'] < 5)]

# 使用apply函数应用自定义函数
def custom_function(x):
    return x * 2

df['A'] = df['A'].apply(custom_function)

# 使用map函数映射值
df['A'] = df['A'].map({'old_value': 'new_value'})

# 使用fillna函数填充缺失值
df['A'].fillna(value=0, inplace=True)

# 使用interpolate函数插值填充缺失值
df['A'].interpolate(inplace=True)

# 使用merge函数合并两个DataFrame
merged_data = pd.merge(df1, df2, on='key')

# 使用concat函数合并两个DataFrame
concatenated_data = pd.concat([df1, df2], ignore_index=True)

# 使用melt函数将宽格式数据转换为长格式数据
melted_data = pd.melt(df, id_vars=['A'], value_vars=['B', 'C'])

# 使用groupby函数分组数据并计算统计信息
grouped_data = df.groupby('A').agg({'B': ['mean', 'sum']})

# 使用crosstab函数创建交叉表
crosstab_data = pd.crosstab(df['A'], df['B'])

# 使用cut函数将连续变量划分为离散区间
df['A'] = pd.cut(df['A'], bins=[0, 10, 20, 30])

以上都是Python处理表格数据常用的一些操作，感兴趣的读者建议收藏，方便在工作中处理表格数据的时候查阅。

ITPub博客

Python处理表格数据常用的35个操作