Pandas - 首先查找标题，然后仅在 Excel 工作表上加载某些列

Question

我正在尝试使用 Pandas 读取多个大型 Excel 文件并将它们组合成一个 CSV，并且只需要每个文件的一个数据表中的数据。

在此数据表中，有许多我不需要数据的填充行 - 基本上，我需要的数据从每个文件的不同位置开始。我需要的数据的第一列称为Row Labels。

有没有办法让 Pandas 将数据拉到以 Row Labels 为标题的列下方以及该列右侧的四列？

现在，这是我一直试图无济于事的：

for f in glob.glob("../Test/Drawsheet*.xlsx"):
    df_temp = pd.ExcelFile(f)
    if 'PVT' in df_temp.sheet_names:
        df = pd.read_excel(df_temp, 'PVT', index_col=None, usecols='Row Labels')
        #df.to_csv('your_csv.csv', encoding='utf-8')
        #df = df_temp.parse('PVT')
        all_data = all_data.append(df, ignore_index=True, sort=True)

Answer 1

你可以告诉 Pandas 只加载第一行 20 （假设你的标题在那里）。然后，您可以找到 Row Labels 值，然后使用此位置加载整个 Excel 文件。例如：

import pandas as pd

filename = 'input.xlsx'
sheet = 'Sheet1'

df = pd.read_excel(filename, sheet, nrows=20)
header_loc = df[df == 'Row Labels'].dropna(axis=1, how='all').dropna(how='all')
row = header_loc.index.item()
column = header_loc.columns.item()
df = pd.read_excel(filename, sheet, skiprows=row+1, usecols=list(range(column, column+5)))

---

如果您有 CSV，则可以使用以下方法。它读取文件的每一行并尝试在解析的行中定位Row Labels。这将失败，直到到达实际的标题行。当它这样做时，列索引用于在其右侧选择所需的列。 skiprows 参数用于告诉 pandas 跳到文件中正确的标题行，usecols 可以正确指定接下来的 4 个列名。

import pandas as pd
import csv

filename = 'input.csv'

with open(filename, newline='') as f_csv:
    for row_number, row in enumerate(csv.reader(f_csv)):
        try:
            col = row.index('Row Labels')
            break
        except ValueError:
            continue

df = pd.read_csv(filename, skiprows=row_number, usecols=row[col:col+4])
print(df)