Pandas封装Excel工具类的方法步骤
引言
Excel是一种广泛使用的电子表格软件，它提供了大量的数据处理和计算功能，被广泛应用于数据分析和报告中。在python中，我们可以使用pandas库来读写和处理Excel文件。但是，为了更方便和快速地操作Excel文件，我们可以封装一个Excel工具类，提供常用的读写操作方法，以提高开发效率。本文将介绍如何使用Python封装Excel操作工具类，并提供相应的例子说明。
1、列表转Excel文件
这个方法可以将数据集列表转换为Excel文件。该方法使用pd.ExcelWriter()创建Excel文件写入器，然后使用pd.DataFrame()创建一个数据帧对象，再将其写入Excel文件中。
#!/usr/bin/python3
# -*- coding: utf-8 -*-
# @Author: Hui
# @Desc: { Excel文件操作工具模块 }
# @Date: 2022/04/03 19:34
import pandas as pd
from typing import List, UNIOn, Dict, io
class ExcelUtils(object):
""" Excel文件操作工具类 """
@claSSMethod
def list_to_excel(
cls,
path_or_buffer: Union[str, IO],
data_list: list,
col_mapping: dict = None,
sheet_name: str = 'Sheet1',
**kwargs
):
"""
列表转 excel文件
Args:
path_or_buffer: 文件路径或者缓冲流
data_list: 数据集 List[dict]
col_mapping: 表头列字段映射
sheet_name: sheet名称
Returns:
"""
with pd.ExcelWriter(path_or_buffer) as writer:
_col_mapping = list(col_mapping) if col_mapping else None
df = pd.DataFrame(data=data_list, columns=_col_mapping)
if col_mapping:
df.rename(columns=col_mapping, inplace=True)
df.to_excel(writer, sheet_name=sheet_name, index=False, **kwargs)这里path_or_buffer可以是一个文件路径或者一个缓冲流对象，data_list是一个列表，包含需要写入Excel的数据。col_mapping是一个字典，用于将表头列字段映射到数据集的字段名。
# 示例
user_list = [
dict(id=1, name='hui', age=20),
dict(id=2, name='wang', age=22),
dict(id=3, name='zack', age=25),
]
user_col_mapping = {
'id': '用户id',
'name': '用户名',
'age': '年龄',
}
ExcelUtils.list_to_excel('user.xlsx', user_list, col_mapping=user_col_mapping)
# 导出为excel文件字节流处理
excel_bio = BytesIO()
ExcelUtils.list_to_excel(
excel_bio,
data_list=user_list,
col_mapping=user_col_mapping,
sheet_name='demo'
)
excel_bytes = excel_bio.getvalue()
print("excel_bytes type => ", type(excel_bytes))
>>>out
excel_bytes type => <class 'bytes'>
这个例子将一个用户数据集写入一个Excel文件中，并将列名映射为中文，也可以将excel保存在缓存流中（字节数据），在一些WEB场景中可以更方便的将缓冲流响应给前端、或者上传到一些OSS中，这样就不用创建临时文件、读取、上传。
2、多个列表转Excel文件
如果有多个数据集需要写入到同一个Excel文件中，可以使用该方法。它与前面的方法类似，但接受一个列表，列表中包含多个数据集及其对应的表头列字段映射和sheet名称。
将多个数据列表写入到一个Excel文件中。
@classmethod
def multi_list_to_excel(
cls,
path_or_buffer: Union[str, IO],
data_collects: List[tuple],
**kwargs
):
"""
多列表转带不同 sheet的excel文件
Args:
path_or_buffer: 文件路径或者缓冲流
data_collects: 大数据集 list[(data_collect, col_mapping, sheet_name)]
data_collect: 数据集,
col_mapping: 列字段映射,
sheet_name: excel表sheet名称
Returns:
"""
with pd.ExcelWriter(path_or_buffer) as writer:
for data_collect, col_mapping, sheet_name in data_collects:
df = pd.DataFrame(data=data_collect, columns=list(col_mapping))
df.rename(columns=col_mapping, inplace=True)
df.to_excel(writer, sheet_name=sheet_name, index=False, **kwargs)
参数说明：
path_or_buffer: 文件路径或者缓冲流；data_collects: 多个数据列表的元组集合，每个元组包含三个元素：需要写入到Excel文件中的数据列表，列名与字典key的映射，Excel文件的sheet名称。
示例：
user_list = [
{'id': 1, 'name': 'hui', 'age': 18},
{'id': 2, 'name': 'wang', 'age': 19},
{'id': 3, 'name': 'zack', 'age': 20}
]
book_list = [
{'id': 1, 'name': 'Python基础教程', 'author': 'hui', 'price': 30},
{'id': 2, 'name': 'Java高级编程', 'author': 'wang', 'price': 50},
{'id': 3, 'name': '机器学习实战', 'author': 'zack', 'price': 70},
]
user_col_mapping = {'id': '编号', 'name': '姓名', 'age': '年龄'}
book_col_mapping = {'id': '编号', 'name': '书名', 'author': '作者', 'price': '价格'}
data_collects = [
(user_list, user_col_mapping, '用户信息'),
(book_list, book_col_mapping, '图书信息')
]
ExcelUtils.multi_list_to_excel('multi_sheet_data.xlsx', data_collects)
感觉这方法参数太多，不太容易知道如何入参，后续可以用dataclass抽出结构来入参这样更好理解点。
3、读取Excel表格数据
@classmethod
def read_excel(
cls,
path_or_buffer: Union[str, IO],
sheet_name: str = "Sheet1",
col_mapping: dict = None,
all_col: bool = True,
header: int = 0,
**kwargs
) -> List[dict]:
"""
读取excel表格数据，根据col_mapping替换列名
Args:
path_or_buffer: 文件路径或者缓冲流
sheet_name: 读书excel表的sheet名称
col_mapping: 列字段映射
all_col: True返回所有列信息，False则返回col_mapping对应的字段信息
header: 默认0从第一行开启读取，用于指定从第几行开始读取
Returns:
"""
use_cols = None
if not all_col:
# 获取excel表指定列数据
use_cols = list(col_mapping) if col_mapping else None
df = pd.read_excel(path_or_buffer, sheet_name=sheet_name, usecols=use_cols, header=header, **kwargs)
if col_mapping:
df.rename(columns=col_mapping, inplace=True)
return df.to_dict("records")
示例代码：
data = [
{"id": 1, "name": "hui", "age": 30},
{"id": 2, "name": "zack", "age": 25},
{"id": 3, "name": "wang", "age": 40},
]
# 将数据写入Excel文件
ExcelUtils.list_to_excel("read_demo.xlsx", data, col_mapping={"id": "用户ID", "name": "姓名", "age": "年龄"})
# 读取Excel文件
result = ExcelUtils.read_excel("read_demo.xlsx", col_mapping={"用户ID": "id", "姓名": "name"})
print(result)
>>>out
[{'id': 1, 'name': 'hui'}, {'id': 2, 'name': 'zack'}, {'id': 3, 'name': 'wang'}]
可以将字典列表数据根据列字段映射转换成中文表头的excel，读取excel时也可以将中文表头转成对应业务字段。
有些模板excel文件默认前几行是说明文字，因此可以指定header参数来跳过这些说明文字，这里只是把一些常用的参数封装了下，**kwargs 还是可以使用pandas的一些参数。
4、合并多个Excel文件到一个文件中（每个文件对应一个工作表）
@classmethod
def merge_excel_files(
cls,
input_files: List[str],
output_file: str,
sheet_name_mapping: Dict[str, str] = None,
**kwargs
):
"""
合并多个Excel文件到一个文件中（每个文件对应一个工作表）
如果Excel文件有多个作表，则默认取第一个工作表
Args:
input_files: 待合并的excel文件列表
output_file: 输出文件路径
sheet_name_mapping: 文件工作表映射，默认为文件名
{"文件名1": "sheet1", "文件名2": "sheet2"}
Returns:
"""
sheet_name_mapping = sheet_name_mapping or {}
with pd.ExcelWriter(output_file, **kwargs) as writer:
for file in input_files:
df = pd.read_excel(file)
sheet_name = sheet_name_mapping.get(file, file)
df.to_excel(writer, sheet_name=sheet_name, index=False)
示例：
def merge_excel_files_demo():
# 合并多个Excel文件
ExcelUtils.merge_excel_files(
input_files=["user.xlsx", "multi_sheet_data.xlsx"],
output_file="merged_data.xlsx",
sheet_name_mapping={
"user.xlsx": "user",
"multi_sheet_data.xlsx": "multi_sheet_data"
}
)
以上就是ExcelUtils工具类的所有方法及相应的例子，使用这个工具类可以轻松地进行Excel文件的读写、转换和合并等操作，提高了开发效率和代码复用率，但一些特定格式的excel文件处理还是不方便。
到此这篇关于Pandas封装Excel工具类的方法步骤的文章就介绍到这了,更多相关Pandas封装Excel内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！
相关文章