python - Pandas:解析 Excel 中的合并标题列

Question

Excel表格中的数据存储方式如下:

   Area     |          Product1     |      Product2        |      Product3
            |      sales|sales.Value|   sales |sales.Value |  sales |sales.Value
  Location1 |    20     | 20000     |      25 |  10000     |   200  | 100
  Location2 |    30     | 30000     |      3  | 12300      |   213  | 10

产品名称是给定月份 1000 个左右区域中每一个区域的两行“销售数量”和“销售值(value)”的 2 个单元格的合并。同样，过去 5 年的每个月都有单独的文件。此外，新产品在不同月份添加和删除。因此，不同月份的文件可能如下所示:

   Area     |          Product1     |      Product4        |      Product3

论坛能否建议使用 pandas 读取此数据的最佳方法？我无法使用索引，因为产品列每个月都不同

理想情况下，我想将上面的初始格式转换为:

 Area      | Product1.sales|Product1.sales.Value| Product2.sales |Product2.sales.Value | 
 Location1 | 20            | 20000              | 25             | 10000               |  
 Location2 | 30            | 30000              | 3              | 12300               | 

<小时/>

import pandas as pd
xl_file = read_excel("file path", skiprow=2, sheetname=0)
/* since the first two rows are always blank */


                  0            1        2               3                      4
      0          NaN          NaN      NaN       Auto loan                    NaN
      1  Branch Code  Branch Name   Region  No of accounts  Portfolio Outstanding
      2         3000       Name1  Central               0                      0
      3         3001       Name2  Central               0                      0

我想将其转换为 Auto Loan.No of account、Auto Loan.Portfolio Outstanding 作为标题。

Answer 1

假设您的 DataFrame 是 df:

import numpy as np
import pandas as pd

nan = np.nan
df = pd.DataFrame([
    (nan, nan, nan, 'Auto loan', nan)
    , ('Branch Code', 'Branch Name', 'Region', 'No of accounts'
       , 'Portfolio Outstanding')
    , (3000, 'Name1', 'Central', 0, 0)
    , (3001, 'Name2', 'Central', 0, 0)
])

使它看起来像这样:

             0            1        2               3                      4
0          NaN          NaN      NaN       Auto loan                    NaN
1  Branch Code  Branch Name   Region  No of accounts  Portfolio Outstanding
2         3000       Name1  Central               0                      0
3         3001       Name2  Central               0                      0

然后首先向前填充前两行中的 NaN(从而传播“Auto例如，“贷款”)。

df.iloc[0:2] = df.iloc[0:2].fillna(method='ffill', axis=1)

接下来用空字符串填充剩余的 NaN:

df.iloc[0:2] = df.iloc[0:2].fillna('')

现在用 . 将两行连接在一起，并将其指定为列级别值:

df.columns = df.iloc[0:2].apply(lambda x: '.'.join([y for y in x if y]), axis=0)

最后，删除前两行:

df = df.iloc[2:]

这会产生

  Branch Code Branch Name   Region Auto loan.No of accounts  \
2        3000      Name1  Central                        0   
3        3001      Name2  Central                        0   

  Auto loan.Portfolio Outstanding  
2                               0  
3                               0  

<小时/>

或者，您可以创建 MultiIndex 列而不是创建平面列索引:

import numpy as np
import pandas as pd

nan = np.nan
df = pd.DataFrame([
    (nan, nan, nan, 'Auto loan', nan)
    , ('Branch Code', 'Branch Name', 'Region', 'No of accounts'
       , 'Portfolio Outstanding')
    , (3000, 'Name1', 'Central', 0, 0)
    , (3001, 'Name2', 'Central', 0, 0)
])
df.iloc[0:2] = df.iloc[0:2].fillna(method='ffill', axis=1)
df.iloc[0:2] = df.iloc[0:2].fillna('Area')

df.columns = pd.MultiIndex.from_tuples(
    zip(*df.iloc[0:2].to_records(index=False).tolist()))
df = df.iloc[2:]

现在df看起来像这样:

         Area                           Auto loan                      
  Branch Code Branch Name   Region No of accounts Portfolio Outstanding
2        3000      Name1  Central              0                     0
3        3001      Name2  Central              0                     0

该列是多索引:

In [275]: df.columns
Out[275]: 
MultiIndex(levels=[[u'Area', u'Auto loan'], [u'Branch Code', u'Branch Name', u'No of accounts', u'Portfolio Outstanding', u'Region']],
           labels=[[0, 0, 0, 1, 1], [0, 1, 4, 2, 3]])

该列有两个级别。第一级的值为 [u'Area', u'Auto Loan']，第二级的值为 [u'Branch Code', u'Branch Name', u'No of Accounts ', u'投资组合杰出', u'地区']。

然后，您可以通过指定两个级别的值来访问列:

print(df.loc[:, ('Area', 'Branch Name')])
# 2    Name1
# 3    Name2
# Name: (Area, Branch Name), dtype: object

print(df.loc[:, ('Auto loan', 'No of accounts')])
# 2    0
# 3    0
# Name: (Auto loan, No of accounts), dtype: object

使用多索引的一个优点是您可以轻松选择具有特定级别值的所有列。例如，要选择与汽车贷款有关的子DataFrame，您可以使用:

In [279]: df.loc[:, 'Auto loan']
Out[279]: 
  No of accounts Portfolio Outstanding
2              0                     0
3              0                     0

有关从多重索引中选择行和列的更多信息，请参阅 MultiIndexing Using Slicers .