Pandas: Nachschlagen der Liste der Blätter in einer Excel-Datei

Die neue Version von Pandas verwendet die folgende Oberfläche zum Laden von Excel-Dateien:

read_excel('path_to_file.xls', 'Sheet1', index_col=None, na_values=['NA'])

aber was ist, wenn ich die verfügbaren Blätter nicht kenne?

Zum Beispiel arbeite ich mit Excel-Dateien, die die folgenden Blätter

Daten 1, Daten 2 ..., Daten N, foo, bar

aber ich weiß nicht Na priori.

Gibt es eine Möglichkeit, die Liste der Blätter aus einem Excel-Dokument in Pandas abzurufen?

Sie können weiterhin die ExcelFile- Klasse (und das sheet_namesAttribut) verwenden:

xl = pd.ExcelFile('foo.xls')

xl.sheet_names  # see all sheet names

xl.parse(sheet_name)  # read a specific sheet to DataFrame

Weitere Optionen finden Sie in den Dokumenten zum Analysieren ...

Sie sollten den zweiten Parameter (Blattname) explizit als Keine angeben. so was:

 df = pandas.read_excel("/yourPath/FileName.xlsx", None);

"df" sind alle Blätter als Wörterbuch von DataFrames. Sie können dies überprüfen, indem Sie Folgendes ausführen:

df.keys()

Ergebnis wie folgt:

[u'201610', u'201601', u'201701', u'201702', u'201703', u'201704', u'201705', u'201706', u'201612', u'fund', u'201603', u'201602', u'201605', u'201607', u'201606', u'201608', u'201512', u'201611', u'201604']

Weitere Informationen finden Sie im Pandas-Dokument: https://pandas.pydata.org/pandas-docs/stable/generated/pandas.read_excel.html

Dies ist der schnellste Weg, den ich gefunden habe, inspiriert von der Antwort von @ divingTobi. Alle Die Antworten basierend auf xlrd, openpyxl oder pandas sind für mich langsam, da alle zuerst die gesamte Datei laden.

from zipfile import ZipFile
from bs4 import BeautifulSoup  # you also need to install "lxml" for the XML parser

with ZipFile(file) as zipped_file:
    summary = zipped_file.open(r'xl/workbook.xml').read()
soup = BeautifulSoup(summary, "xml")
sheets = [sheet.get("name") for sheet in soup.find_all("sheet")]

Aufbauend auf der Antwort von @dhwanil_shah müssen Sie nicht die gesamte Datei extrahieren. Mit ist zf.openes möglich, direkt aus einer komprimierten Datei zu lesen.

import xml.etree.ElementTree as ET
import zipfile

def xlsxSheets(f):
    zf = zipfile.ZipFile(f)

    f = zf.open(r'xl/workbook.xml')

    l = f.readline()
    l = f.readline()
    root = ET.fromstring(l)
    sheets=[]
    for c in root.findall('{http://schemas.openxmlformats.org/spreadsheetml/2006/main}sheets/*'):
        sheets.append(c.attrib['name'])
    return sheets

Die zwei aufeinanderfolgenden readline s sind hässlich, aber der Inhalt befindet sich nur in der zweiten Zeile des Textes. Sie müssen nicht die gesamte Datei analysieren.

Diese Lösung scheint viel schneller als die read_excelVersion zu sein und höchstwahrscheinlich auch schneller als die vollständige Extraktversion.

Ich habe xlrd, pandas, openpyxl und andere solche Bibliotheken ausprobiert und alle scheinen exponentielle Zeit in Anspruch zu nehmen, wenn die Dateigröße zunimmt, während die gesamte Datei gelesen wird. Die anderen oben genannten Lösungen, bei denen 'on_demand' verwendet wurde, funktionierten bei mir nicht. Wenn Sie zunächst nur die Blattnamen abrufen möchten, funktioniert die folgende Funktion für XLSX-Dateien.

def get_sheet_details(file_path):
    sheets = []
    file_name = os.path.splitext(os.path.split(file_path)[-1])[0]
    # Make a temporary directory with the file name
    directory_to_extract_to = os.path.join(settings.MEDIA_ROOT, file_name)
    os.mkdir(directory_to_extract_to)

    # Extract the xlsx file as it is just a zip file
    zip_ref = zipfile.ZipFile(file_path, 'r')
    zip_ref.extractall(directory_to_extract_to)
    zip_ref.close()

    # Open the workbook.xml which is very light and only has meta data, get sheets from it
    path_to_workbook = os.path.join(directory_to_extract_to, 'xl', 'workbook.xml')
    with open(path_to_workbook, 'r') as f:
        xml = f.read()
        dictionary = xmltodict.parse(xml)
        for sheet in dictionary['workbook']['sheets']['sheet']:
            sheet_details = {
                'id': sheet['@sheetId'],
                'name': sheet['@name']
            }
            sheets.append(sheet_details)

    # Delete the extracted files directory
    shutil.rmtree(directory_to_extract_to)
    return sheets

Da es sich bei allen xlsx im Grunde genommen um komprimierte Dateien handelt, extrahieren wir die zugrunde liegenden XML-Daten und lesen die Blattnamen direkt aus der Arbeitsmappe, was im Vergleich zu den Bibliotheksfunktionen einen Bruchteil einer Sekunde dauert.

Benchmarking: (Auf einer 6-MB-xlsx-Datei mit 4 Blättern)
Pandas, xlrd: 12 Sekunden
openpyxl: 24 Sekunden
Vorgeschlagene Methode: 0,4 Sekunden

Da ich nur die Blattnamen lesen musste, nervte mich der unnötige Aufwand beim Lesen der gesamten Zeit, sodass ich stattdessen diesen Weg einschlug.

from openpyxl import load_workbook

sheets = load_workbook(excel_file, read_only=True).sheetnames

Für eine 5-MB-Excel-Datei, mit der ich arbeite, dauerte load_workbookdas read_onlyFlag 8,24 Sekunden. Mit der read_onlyFlagge dauerte es nur 39,6 ms. Wenn Sie weiterhin eine Excel-Bibliothek verwenden und nicht zu einer XML-Lösung wechseln möchten, ist dies viel schneller als die Methoden, mit denen die gesamte Datei analysiert wird.