Pandasの新しいバージョンは、 次のインターフェイス を使用してExcelファイルをロードします。
read_Excel('path_to_file.xls', 'Sheet1', index_col=None, na_values=['NA'])
使用可能なシートがわからない場合はどうすればよいですか?
たとえば、私は次のシートのExcelファイルで作業しています
データ1、データ2 ...、データN、foo、bar
しかし、N
をアプリオリに知りません。
パンダのExcelドキュメントからシートのリストを取得する方法はありますか?
2番目のパラメーター(シート名)をNoneとして明示的に指定する必要があります。このような:
df = pandas.read_Excel("/yourPath/FileName.xlsx", None);
「df」はすべてDataFrameのディクショナリとしてのシートです。次を実行して確認できます。
df.keys()
このような結果:
[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']
詳細については、pandas docを参照してください。 https://pandas.pydata.org/pandas-docs/stable/generated/pandas.read_Excel.html
@dhwanil_shahの答えに基づいて、ファイル全体を抽出する必要はありません。 zf.open
を使用すると、zipファイルから直接読み取ることができます。
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
2つの連続したreadline
sは見苦しいですが、コンテンツはテキストの2行目のみです。ファイル全体を解析する必要はありません。
このソリューションは、read_Excel
バージョンよりもはるかに高速で、ほとんどの場合、完全抽出バージョンよりも高速であるようです。
私はxlrd、pandas、openpyxlなどのライブラリを試しましたが、ファイル全体が読み込まれるとファイルサイズが大きくなるため、それらはすべて指数関数的な時間がかかるようです。 'on_demand'を使用した上記の他のソリューションは、私にとってはうまくいきませんでした。最初にシート名を取得するだけの場合、次の関数はxlsxファイルに対して機能します。
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
すべてのxlsxは基本的にzip形式のファイルであるため、基礎となるxmlデータを抽出し、ワークブックからシート名を直接読み取ります。これは、ライブラリ関数と比較して数分の一です。
ベンチマーク:(4シートの6MB xlsxファイル)
パンダ、xlrd: 12秒
openpyxl: 24秒
提案方法: 0.4秒
私の要件はシート名を読むことだけだったので、時間全体を読むことの不必要なオーバーヘッドが私を悩ませていたので、代わりにこのルートを取りました。