读取包含多个表格的 excel 表格，表格的标题具有非白色背景单元格颜色

Question

我有一个 excelsheet，同一张表上有多个表格。 这些表具有不同的列号和不同的行号。 不过好在表头有背景色，表格内容是白色背景。

我想知道是否可以使用 xlrd 或其他一些包将这些表中的每一个作为单独的数据框读取。

现在想到的方法很长，可能并不理想。

例如：

import xlrd
book = xlrd.open_workbook("some.xls", formatting_info=True)
sheets = book.sheet_names()
for index, sh in enumerate(sheets):
    sheet = book.sheet_by_index(index)
    rows, cols = sheet.nrows, sheet.ncols
    for row in range(rows):
         for col in range(cols):
             xfx = sheet.cell_xf_index(row, col)
             xf = book.xf_list[xfx]
             bgx = xf.background.pattern_colour_index
             if bgx != 64:
                 Header_row = rownum

然后遍历这个 Header_row 并获取所有列值并将它们作为数据框列名。 然后继续解析第一列的行，直到遇到空白单元格或只有一个或两个非空单元格的行。

如您所见，这有点冗长，可能不是最佳方式。

感谢您在如何快速将所有故事提取为单独的数据框方面的帮助。

Answer 1

我认为你的方法是正确的。只是把它放在一些函数中以提高清晰度。

大概是这样的：

import xlrd
# from typing import Dict

book = xlrd.open_workbook("some.xls", formatting_info=True)

def is_header(sheet, row, col, exclude_color=64):
    xf_index = sheet.cell_xf_index(row, col)
    bg_color = book.xf_list[xf_index].background.pattern_colour_index
    return bg_color != 64

def parse_sheet(sheet):
    """Parse a sheet and retrieve data as dataframe"""
    column_headers = dict()  # type: Dict[int, str]

    for row in range(sheet.nrows):
        # We skip rows if first cell is not a header and has no value
        # TODO: Remove if that skips line 13 as well
        if not is_header(sheet, row, 0) and not sheet.cell_value(row, 0):
            column_headers.clear()
            continue

        # Otherwise, we will populate the list of headers for column
        # And we will parse other data
        c_headers = [c for c in range(sheet.ncols) if is_header(sheet, row, c)]
        if c_headers:
            for col in c_headers:
                column_headers[col] = sheet.cell_value(row, col)

        else:
            for col in range(sheet.ncols):
                value = sheet.cell_value(row, col)
                # TODO: Add data in the dataframe and use column headers

for index in range(book.sheet_names()):
    parse_sheet(book.sheet_by_index(index))