


Introduction à l'utilisation de Python pour exploiter les fichiers Excel xlsx
Pour un projet il y a quelque temps, j'ai dû utiliser Python pour générer directement des fichiers Excel. Plus tard, au fur et à mesure que les besoins évoluaient, j'ai dû lire les fichiers Excel existants. Je voulais donc l'enregistrer.Cet article vous présente principalement les informations pertinentes sur le fonctionnement du fichier xlsx d'Excel par Python.Les amis dans le besoin peuvent s'y référer.
Avant-propos
Auparavant, xlrd/xlwt était utilisé pour traiter la lecture et l'écriture d'Excel, mais ces deux bibliothèques ont l'inconvénient d'être ne conviennent que pour Le format xls est mieux géré, mais le format se terminant par xlsx ne peut pas être traité. Étant donné que tout le monde utilise la dernière version d'Office et que le format d'Excel est xlsx, il n'est pas approprié de continuer à utiliser xlrd/xlwt pour le traitement pour le moment. Heureusement, nous pouvons également utiliser openpyxl pour lire et écrire des fichiers xlsx.
Je ne connais pas Excel et je ne l'utilise pas très souvent, donc le traitement d'Excel est très simple, juste une simple lecture et écriture. Ce qui est démontré ici est également une simple opération de lecture et d'écriture. . Pour des fonctions avancées spécifiques, vous pouvez vous référer à l'adresse du lien après l'article.
Un : Écrivez un fichier Excel comme suit
from openpyxl import Workbook from openpyxl.utils import get_column_letter # 在内存中创建一个workbook对象,而且会至少创建一个 worksheet wb = Workbook() #获取当前活跃的worksheet,默认就是第一个worksheet ws = wb.active #设置单元格的值,A1等于6(测试可知openpyxl的行和列编号从1开始计算),B1等于7 ws.cell(row=1, column=1).value = 6 ws.cell("B1").value = 7 #从第2行开始,写入9行10列数据,值为对应的列序号A、B、C、D... for row in range(2,11): for col in range (1,11): ws.cell(row=row, column=col).value = get_column_letter(col) #可以使用append插入一行数据 ws.append(["我","你","她"]) #保存 wb.save(filename="/Users/budong/Desktop/a.xlsx")
Deux : Lisez le contenu Excel qui vient d'être écrit comme suit
from openpyxl import load_workbook #打开一个workbook wb = load_workbook(filename="/Users/budong/Desktop/a.xlsx") #获取当前活跃的worksheet,默认就是第一个worksheet #ws = wb.active #当然也可以使用下面的方法 #获取所有表格(worksheet)的名字 sheets = wb.get_sheet_names() #第一个表格的名称 sheet_first = sheets[0] #获取特定的worksheet ws = wb.get_sheet_by_name(sheet_first) #获取表格所有行和列,两者都是可迭代的 rows = ws.rows columns = ws.columns #迭代所有的行 for row in rows: line = [col.value for col in row] print line #通过坐标读取值 print ws.cell('A1').value # A表示列,1表示行 print ws.cell(row=1, column=1).value
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Ce tutoriel montre comment utiliser Python pour traiter le concept statistique de la loi de Zipf et démontre l'efficacité de la lecture et du tri de Python de gros fichiers texte lors du traitement de la loi. Vous vous demandez peut-être ce que signifie le terme distribution ZIPF. Pour comprendre ce terme, nous devons d'abord définir la loi de Zipf. Ne vous inquiétez pas, je vais essayer de simplifier les instructions. La loi de Zipf La loi de Zipf signifie simplement: dans un grand corpus en langage naturel, les mots les plus fréquents apparaissent environ deux fois plus fréquemment que les deuxième mots fréquents, trois fois comme les troisième mots fréquents, quatre fois comme quatrième mots fréquents, etc. Regardons un exemple. Si vous regardez le corpus brun en anglais américain, vous remarquerez que le mot le plus fréquent est "th

Cet article explique comment utiliser la belle soupe, une bibliothèque Python, pour analyser HTML. Il détaille des méthodes courantes comme find (), find_all (), select () et get_text () pour l'extraction des données, la gestion de diverses structures et erreurs HTML et alternatives (Sel

Traiter avec des images bruyantes est un problème courant, en particulier avec des photos de téléphones portables ou de caméras basse résolution. Ce tutoriel explore les techniques de filtrage d'images dans Python à l'aide d'OpenCV pour résoudre ce problème. Filtrage d'image: un outil puissant Filtre d'image

Les fichiers PDF sont populaires pour leur compatibilité multiplateforme, avec du contenu et de la mise en page cohérents sur les systèmes d'exploitation, les appareils de lecture et les logiciels. Cependant, contrairement aux fichiers de texte brut de traitement Python, les fichiers PDF sont des fichiers binaires avec des structures plus complexes et contiennent des éléments tels que des polices, des couleurs et des images. Heureusement, il n'est pas difficile de traiter les fichiers PDF avec les modules externes de Python. Cet article utilisera le module PYPDF2 pour montrer comment ouvrir un fichier PDF, imprimer une page et extraire du texte. Pour la création et l'édition des fichiers PDF, veuillez vous référer à un autre tutoriel de moi. Préparation Le noyau réside dans l'utilisation du module externe PYPDF2. Tout d'abord, l'installez en utilisant PIP: pip is p

Ce tutoriel montre comment tirer parti de la mise en cache Redis pour augmenter les performances des applications Python, en particulier dans un cadre Django. Nous couvrirons l'installation redis, la configuration de Django et les comparaisons de performances pour mettre en évidence le bien

Cet article compare TensorFlow et Pytorch pour l'apprentissage en profondeur. Il détaille les étapes impliquées: préparation des données, construction de modèles, formation, évaluation et déploiement. Différences clés entre les cadres, en particulier en ce qui concerne le raisin informatique

Python, un favori pour la science et le traitement des données, propose un écosystème riche pour l'informatique haute performance. Cependant, la programmation parallèle dans Python présente des défis uniques. Ce tutoriel explore ces défis, en se concentrant sur l'interprète mondial

Ce didacticiel montre la création d'une structure de données de pipeline personnalisée dans Python 3, en tirant parti des classes et de la surcharge de l'opérateur pour une fonctionnalité améliorée. La flexibilité du pipeline réside dans sa capacité à appliquer une série de fonctions à un ensemble de données, GE
