当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python pyspark read_excel用法及代码示例


本文简要介绍 pyspark.pandas.read_excel 的用法。

用法:

pyspark.pandas.read_excel(io: Union[str, Any], sheet_name: Union[str, int, List[Union[str, int]], None] = 0, header: Union[int, List[int]] = 0, names: Optional[List] = None, index_col: Optional[List[int]] = None, usecols: Union[int, str, List[Union[str, int]], Callable[[str], bool], None] = None, squeeze: bool = False, dtype: Optional[Dict[str, Union[str, numpy.dtype, pandas.core.dtypes.base.ExtensionDtype]]] = None, engine: Optional[str] = None, converters: Optional[Dict] = None, true_values: Optional[Any] = None, false_values: Optional[Any] = None, skiprows: Union[int, List[int], None] = None, nrows: Optional[int] = None, na_values: Optional[Any] = None, keep_default_na: bool = True, verbose: bool = False, parse_dates: Union[bool, List, Dict] = False, date_parser: Optional[Callable] = None, thousands: Optional[str] = None, comment: Optional[str] = None, skipfooter: int = 0, convert_float: bool = True, mangle_dupe_cols: bool = True, **kwds: Any) → Union[pyspark.pandas.frame.DataFrame, pyspark.pandas.series.Series, collections.OrderedDict]

将 Excel 文件读入 pandas-on-Spark DataFrame 或系列。

支持来自本地文件系统或 URL 的 xlsxlsx 文件扩展名。支持读取单个工作表或工作表列表的选项。

参数

iostr、文件说明符、pathlib.Path、ExcelFile 或 xlrd.Book

该字符串可以是一个 URL。值 URL 必须在 Spark 的 DataFrameReader 中可用。

注意

如果底层 Spark 低于 3.0,则不支持字符串形式的参数。您可以使用ps.from_pandas(pd.read_excel(…)) 作为解决方法。

sheet_namestr、int、list 或 None,默认 0

字符串用于工作表名称。 zero-indexed 工作表位置使用整数。字符串/整数列表用于请求多张工作表。指定无以获取所有工作表。

可用案例:

  • 默认为 0 :第一张纸作为 DataFrame

  • 1:第二张纸作为DataFrame

  • "Sheet1" :加载名称为 “Sheet1” 的工作表

  • [0, 1, "Sheet5"] :加载名为 “Sheet5” 的第一、第二和工作表作为 DataFrame 的字典

  • 无:所有工作表。

headerint,int 列表,默认 0

用于已解析 DataFrame 的列标签的行(0 索引)。如果传递了整数列表,则这些行位置将组合成 MultiIndex 。如果没有标题,请使用 None。

names类似数组,默认 None

要使用的列名列表。如果文件不包含标题行,那么您应该显式传递 header=None。

index_colint,int 列表,默认无

列(0 索引)用作 DataFrame 的行标签。如果没有这样的列,则通过 None。如果传递了一个列表,这些列将被组合成一个 MultiIndex 。如果使用 usecols 选择了数据子集,则 index_col 基于该子集。

usecolsint、str、list-like 或可调用的默认值无

返回列的子集。

  • 如果没有,则解析所有列。

  • 如果是 str,则表示 Excel 列字母和列范围的逗号分隔列表(例如 “A:E” 或 “A,C,E:F”)。范围包括双方。

  • 如果是 int 列表,则表示要解析的列号列表。

  • 如果是字符串列表,则表示要解析的列名列表。

  • 如果可调用,则根据它评估每个列名并在可调用返回 True 时解析列。

squeeze布尔值,默认为 False

如果解析的数据只包含一列,则返回一个系列。

dtype类型名称或列的字典 -> 类型,默认无

数据或列的数据类型。例如: {‘a’: np.float64, ‘b’: np.int32} 使用 object 将数据保存在 Excel 中,而不是解释 dtype。如果指定了转换器,则将应用它们代替 dtype 转换。

enginestr,默认无

如果 io 不是缓冲区或路径,则必须将其设置为标识 io。可接受的值为 None 或 xlrd。

converters字典,默认无

用于转换某些列中的值的函数的字典。键可以是整数或列标签,值是接受一个输入参数的函数,即 Excel 单元格内容,并返回转换后的内容。

true_values列表,默认无

值视为 True。

false_values列表,默认无

要考虑为 False 的值。

skiprowslist-like

在开头跳过的行(0 索引)。

nrows整数,默认无

要解析的行数。

na_values标量、str、list-like 或 dict,默认为 None

要识别为 NA/NaN 的附加字符串。如果 dict 通过,特定的 per-column NA 值。默认情况下,以下值被解释为 NaN。

keep_default_na布尔值,默认为真

如果指定了na_values并且keep_default_na为False,则默认的NaN值将被覆盖,否则将被附加。

verbose布尔值,默认为 False

指示放置在非数字列中的 NA 值的数量。

parse_datesbool,list-like,或 dict,默认为 False

行为如下:

  • 布尔。如果 True -> 尝试解析索引。

  • int 或名称列表。例如如果 [1, 2, 3] -> 尝试将第 1、2、3 列分别解析为单独的日期列。

  • 列表列表。例如如果 [[1, 3]] -> 合并第 1 列和第 3 列并解析为单个日期列。

  • 字典,例如{{‘foo’: [1, 3]}} -> 将第 1、3 列解析为日期并调用结果 ‘foo’

如果列或索引包含不可解析的日期,则整个列或索引将作为对象数据类型原封不动地返回。对于非标准日期时间解析,请在 pd.read_csv 之后使用 pd.to_datetime

注意:iso8601 格式的日期存在 fast-path。

date_parser函数,可选

用于将字符串列序列转换为日期时间实例数组的函数。默认使用dateutil.parser.parser 进行转换。 pandas-on-Spark 将尝试以三种不同的方式调用 date_parser,如果发生异常则前进到下一种方式: 1) 传递一个或多个数组(由 parse_dates 定义)作为参数; 2) 将parse_dates 定义的列中的字符串值连接(按行)到单个数组中并传递它; 3) 使用一个或多个字符串(对应于 parse_dates 定义的列)作为参数,为每一行调用一次 date_parser

thousandsstr,默认无

用于将字符串列解析为数字的千位分隔符。请注意,此参数仅对在 Excel 中存储为 TEXT 的列是必需的,任何数字列都将被自动解析,无论显示格式如何。

commentstr,默认无

注释掉行的剩余部分。将一个或多个字符传递给此参数以指示输入文件中的注释。注释字符串和当前行末尾之间的任何数据都将被忽略。

skipfooter整数,默认 0

最后要跳过的行(0 索引)。

convert_float布尔值,默认为真

将整数浮点转换为 int(即 1.0 -> 1)。如果为 False,则所有数字数据都将作为浮点数读入:Excel 在内部将所有数字存储为浮点数。

mangle_dupe_cols布尔值,默认为真

重复的列将被指定为“X”、“X.1”、……“X.N”,而不是“X”……“X”。如果列中存在重复名称,则传入 False 将导致数据被覆盖。

**kwds可选的

可选的关键字参数可以传递给 TextFileReader

返回

DataFrame 或 DataFrames 的字典

DataFrame 来自传入的 Excel 文件。有关何时返回 DataFrames 字典的更多信息,请参阅 sheet_name 参数中的注释。

例子

可以使用文件名作为字符串或打开的文件对象来读取文件:

>>> ps.read_excel('tmp.xlsx', index_col=0)  
       Name  Value
0   string1      1
1   string2      2
2  #Comment      3
>>> ps.read_excel(open('tmp.xlsx', 'rb'),
...               sheet_name='Sheet3')  
   Unnamed: 0      Name  Value
0           0   string1      1
1           1   string2      2
2           2  #Comment      3

可以通过 index_colheader 参数指定索引和标题

>>> ps.read_excel('tmp.xlsx', index_col=None, header=None)  
     0         1      2
0  NaN      Name  Value
1  0.0   string1      1
2  1.0   string2      2
3  2.0  #Comment      3

列类型是推断的,但可以显式指定

>>> ps.read_excel('tmp.xlsx', index_col=0,
...               dtype={'Name': str, 'Value': float})  
       Name  Value
0   string1    1.0
1   string2    2.0
2  #Comment    3.0

True、False 和 NA 值以及千位分隔符具有默认值,但也可以显式指定。以字符串或字符串列表的形式提供您想要的值!

>>> ps.read_excel('tmp.xlsx', index_col=0,
...               na_values=['string1', 'string2'])  
       Name  Value
0      None      1
1      None      2
2  #Comment      3

可以使用 comment kwarg 跳过 excel 输入文件中的注释行

>>> ps.read_excel('tmp.xlsx', index_col=0, comment='#')  
      Name  Value
0  string1    1.0
1  string2    2.0
2     None    NaN

相关用法


注:本文由纯净天空筛选整理自spark.apache.org大神的英文原创作品 pyspark.pandas.read_excel。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。