Pandalar: Excel dosyasındaki sayfa listesine bakma

Panda'nın yeni sürümü Excel dosyalarını yüklemek için aşağıdaki arabirimi kullanır :

read_excel('path_to_file.xls', 'Sheet1', index_col=None, na_values=['NA'])

ama mevcut sayfaları bilmiyorsam ne olur?

Örneğin, aşağıdaki sayfalarda bulunan excel dosyalarıyla çalışıyorum

Veri 1, Veri 2 ..., Veri N, foo, çubuk

ama Na priori bilmiyorum .

Pandalar'da bir excel belgesinden sayfa listesini almanın herhangi bir yolu var mı?

Yine de ExcelFile sınıfını (ve sheet_namesniteliğini) kullanabilirsiniz:

xl = pd.ExcelFile('foo.xls')

xl.sheet_names  # see all sheet names

xl.parse(sheet_name)  # read a specific sheet to DataFrame

daha fazla seçenek için ayrıştırma belgelerine bakın ...

İkinci parametreyi (sayfa adı) açıkça Yok olarak belirtmelisiniz. bunun gibi:

 df = pandas.read_excel("/yourPath/FileName.xlsx", None);

"df" DataFrames sözlüğü olarak tüm sayfalar, bunu çalıştırarak doğrulayabilirsiniz:

df.keys()

böyle sonuç:

[u'201610', u'201601', u'201701', u'201702', u'201703', u'201704', u'201705', u'201706', u'201612', u'fund', u'201603', u'201602', u'201605', u'201607', u'201606', u'201608', u'201512', u'201611', u'201604']

daha fazla ayrıntı için lütfen panda dokümanına bakın: https://pandas.pydata.org/pandas-docs/stable/generated/pandas.read_excel.html

@ DivingTobi'nin cevabından esinlenerek bulduğum en hızlı yol bu. Tüm xlrd, openpyxl veya pandalara dayalı cevaplar benim için yavaştır, çünkü hepsi önce tüm dosyayı yükler.

from zipfile import ZipFile
from bs4 import BeautifulSoup  # you also need to install "lxml" for the XML parser

with ZipFile(file) as zipped_file:
    summary = zipped_file.open(r'xl/workbook.xml').read()
soup = BeautifulSoup(summary, "xml")
sheets = [sheet.get("name") for sheet in soup.find_all("sheet")]

@Dhwanil_shah kullanıcısının cevabı üzerine inşa ederek, tüm dosyayı çıkarmanıza gerek yoktur. İle zf.openkendisine doğrudan sıkıştırılmış dosyadan okumak mümkündür.

import xml.etree.ElementTree as ET
import zipfile

def xlsxSheets(f):
    zf = zipfile.ZipFile(f)

    f = zf.open(r'xl/workbook.xml')

    l = f.readline()
    l = f.readline()
    root = ET.fromstring(l)
    sheets=[]
    for c in root.findall('{http://schemas.openxmlformats.org/spreadsheetml/2006/main}sheets/*'):
        sheets.append(c.attrib['name'])
    return sheets

Ardışık iki readline s çirkin, ancak içerik metnin yalnızca ikinci satırında. Tüm dosyayı ayrıştırmaya gerek yok.

Bu çözüm, read_excelsürümden çok daha hızlı ve büyük olasılıkla tam özü sürümünden daha hızlı görünüyor .

Ben xlrd, pandalar, openpyxl ve diğer kütüphaneleri denedim ve hepsi tüm dosyayı okurken dosya boyutu arttıkça üstel zaman alıyor gibi görünüyor. 'On_demand' kullandıkları yukarıda belirtilen diğer çözümler benim için çalışmadı. Başlangıçta sayfa adlarını almak istiyorsanız, xlsx dosyaları için aşağıdaki işlev çalışır.

def get_sheet_details(file_path):
    sheets = []
    file_name = os.path.splitext(os.path.split(file_path)[-1])[0]
    # Make a temporary directory with the file name
    directory_to_extract_to = os.path.join(settings.MEDIA_ROOT, file_name)
    os.mkdir(directory_to_extract_to)

    # Extract the xlsx file as it is just a zip file
    zip_ref = zipfile.ZipFile(file_path, 'r')
    zip_ref.extractall(directory_to_extract_to)
    zip_ref.close()

    # Open the workbook.xml which is very light and only has meta data, get sheets from it
    path_to_workbook = os.path.join(directory_to_extract_to, 'xl', 'workbook.xml')
    with open(path_to_workbook, 'r') as f:
        xml = f.read()
        dictionary = xmltodict.parse(xml)
        for sheet in dictionary['workbook']['sheets']['sheet']:
            sheet_details = {
                'id': sheet['@sheetId'],
                'name': sheet['@name']
            }
            sheets.append(sheet_details)

    # Delete the extracted files directory
    shutil.rmtree(directory_to_extract_to)
    return sheets

Tüm xlsx temel olarak sıkıştırılmış dosyalar olduğundan, temel xml verilerini ayıklıyoruz ve çalışma kitabından doğrudan sayfa kitabını okuyoruz, bu da kitaplık işlevleriyle karşılaştırıldığında saniyenin bir kısmını alıyor.

Karşılaştırma: (4 sayfalık 6mb xlsx dosyasında)
Pandalar, xlrd: 12 saniye
openpyxl: 24 saniye
Önerilen yöntem: 0.4 saniye

İhtiyacım sadece sayfa adlarını okumak olduğu için, tüm zamanları okumak için gereksiz ek yük beni rahatsız ediyordu, bunun yerine bu yolu seçtim.

from openpyxl import load_workbook

sheets = load_workbook(excel_file, read_only=True).sheetnames

5MB Excel dosyası için çalışıyorum load_workbook, read_onlybayrak olmadan 8.24s aldı. İle read_onlybayrak sadece 39.6 ms sürmüştür. Hala bir Excel kütüphanesi kullanmak istiyorsanız ve bir xml çözümüne düşmüyorsanız, bu tüm dosyayı ayrıştıran yöntemlerden çok daha hızlıdır.