Pandas 是一个非常强大的 Python 库，专门用于数据处理和分析。在处理 Excel 文件时，它提供了简单且功能丰富的 API，使得读取、写入、筛选、修改以及分析 Excel 数据变得十分便捷。以下是一些常用的 Pandas API 及其应用场景，以及如何在复杂场景下使用它们的示例。

基础 API 及使用场景

1. 读取 Excel 文件

   • API: pandas.read_excel()
   • 场景: 从 Excel 文件加载数据到 DataFrame 对象中，以便进行进一步处理。

   import pandas as pd
   df = pd.read_excel('example.xlsx', sheet_name='Sheet1')
   

2. 写入 Excel 文件

   • API: DataFrame.to_excel()
   • 场景: 将 DataFrame 数据保存到 Excel 文件中。

   df.to_excel('output.xlsx', index=False)  # index=False 避免将索引写入Excel
   

复杂场景示例

数据筛选与排序

• 筛选特定条件的行

  filtered_df = df[df['Column_Name'] == 'SomeValue']
  

• 多条件筛选

  filtered_df = df[(df['Column1'] > 100) & (df['Column2'] == 'Category')]
  

• 排序

  sorted_df = df.sort_values(by=['Column_Name'], ascending=False)
  

数据清洗

• 处理缺失值

  df.fillna(value=0, inplace=True)  # 用0填充缺失值
  

• 删除含有缺失值的行

  cleaned_df = df.dropna(subset=['Column_Name'])
  

数据转换与计算

• 添加新列

  df['New_Column'] = df['Column1'] + df['Column2']
  

• 数据类型转换

  df['Column_Name'] = df['Column_Name'].astype('int')  # 将列转换为整型
  

• 分组聚合

  grouped_df = df.groupby('Group_Column')['Value_Column'].sum()
  

复合操作

• 合并多个工作表到一个 DataFrame

  all_sheets_df = pd.concat([pd.read_excel('example.xlsx', sheet_name=sheet) for sheet in pd.ExcelFile('example.xlsx').sheet_names], ignore_index=True)
  

• 条件性修改数据
  使用 .loc 或 .mask 方法根据条件修改数据。

  df.loc[df['Column_Name'] > threshold, 'New_Column'] = 'Above Threshold'
  

总结

Pandas 提供了丰富的方法来高效处理 Excel 文件，无论是简单的数据读写，还是复杂的清洗、转换和分析任务。在处理复杂场景时，通常需要结合多种 Pandas 函数和方法，如条件筛选、数据转换、聚合分析等，以达到数据处理目的。利用 DataFrame 的灵活性和丰富的API，可以应对几乎所有的数据处理挑战。