pandas 玩转 Excel 操作总结

àì夳堔傛蜴生んèń 2022-11-14 11:44 332阅读 0赞

> Python 操作Excel操作总结,包括Series和Data Frame的互转、使用pandas读取Excel表格、python读取多个数据表、python合并多个工作表以及写入Excel文件

pandas是一款基于NumPy的数据分析工具。它提供了大量的能使我们快捷处理数据的方法。

[数据科学线性代数公式汇总][Link 1]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70]

> 随笔记录所的所学，此博客为我记录文章所用，发布到此，仅供网友阅读参考。作者:北山啦

# -*- coding:utf-8 -*-
    # @Address:https://beishan.blog.csdn.net/
    # @Author:北山啦

### 文章目录 ###

*  Series和Data Frame的互转
 *  使用pandas读取Excel表格
 *  读取多个数据表
 *  合并多个工作表
 *  写入Excel文件

常用数据类型

*  Series：一维数组，与NumPy中的一维数组相似，和Python自身的list也相似。区别自语Series中的数据只能是一种数据，而list中的数据可以不一样
 *  Time-Series：以时间为索引的Series
 *  DataFrame：二维的表格型数据结构。经常用于处理Excel表格数据等，这也是我们本节课会重点讲的内容
 *  Panel：三维数组（0.25版本后，统一使用xarray，不再支持Panel）

# Series和Data Frame的互转 #

*  利用to\_frame()实现Series转DataFrame
 *  利用squeeze()实现单列数据DataFrame转Series

import pandas as pd
    s = pd.Series(["北山啦","关注","点赞"])
    s

0    北山啦
    1     关注
    2     点赞
    dtype: object

s = s.to_frame(name="列名")
    s

s.squeeze()

0    北山啦
    1     关注
    2     点赞
    Name: 列名, dtype: object

# 使用pandas读取Excel表格 #

在pandas中，读取Excel非常简单，它只有一个方法：readExcel()，但是的参数非常多

主要常用的参数，我们先对其进行了解：

*  io：一般指定excel文件路径就可以了。也可以是其他Excel读取对象如ExcelFile、xlrd.Book等
 *  sheet\_name：用于指定工作表（sheet）名称。可以是数字（工作表从0开始的索引）
 *  header：指定作为列名的行，默认为0，即第一行为列名。如果数据不含列名，则设为None
 *  names：指定新的列名列表。列表中元素个数和列数必须一致
 *  index\_col：指定列为索引列，默认None指的是索引为0的第一列为索引列
 *  usecols：要解析数据的列，可以是int或者str的列表，也可以是以逗号分隔的字符串(pandas 0.24新增功能)，例如：”A:F”，表示从A列到F列，”A,C,F”表示A、C、F三列，还可以写成”A,C,F,K:Q”
 *  dtype：各列的数据类型，例如：\{‘a’: np.float64, ‘b’: np.int32\}
 *  converters：用于转换各列数据的函数的字典数据，例如：\{‘a’: func\_1, ‘b’: func\_2\}

import pandas as pd
    sheet = pd.read_excel(io="测试数据.xlsx")
    sheet.head()

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th>姓名</th> 
   <th>年龄</th> 
   <th>工资</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>0</th> 
   <td>OLIVER.</td> 
   <td>23</td> 
   <td>7653</td> 
  </tr> 
  <tr> 
   <th>1</th> 
   <td>HARRY.</td> 
   <td>45</td> 
   <td>8799</td> 
  </tr> 
  <tr> 
   <th>2</th> 
   <td>GEORGE.</td> 
   <td>34</td> 
   <td>9800</td> 
  </tr> 
  <tr> 
   <th>3</th> 
   <td>NOAH.</td> 
   <td>54</td> 
   <td>12880</td> 
  </tr> 
  <tr> 
   <th>4</th> 
   <td>JACK.</td> 
   <td>34</td> 
   <td>3600</td> 
  </tr> 
 </tbody> 
</table>

我们先来看一下取回的数据的数据类型是什么。

print(type(sheet))

可以看到，它就是我们前面提到的DataFrame数据。，直接通过它的列名称来获取即可，比如，要获得所有的工资信息，可以如下：

print(sheet['工资'])

0      7653
    1      8799
    2      9800
    3     12880
    4      3600
    5      3800
    6      8976
    7     12000
    8      8900
    9      7688
    10     6712
    11     9655
    12     6854
    13     8122
    14     6788
    15     8830
    Name: 工资, dtype: int64

可以看到它的所有的数据都列出来了，并且这一列数据的数据类型是int64，即64位整型。  
得到这一列数据后，我们可以对它进行处理。

for i in sheet['工资']:
        print(i)

7653
    8799
    9800
    12880
    3600
    3800
    8976
    12000
    8900
    7688
    6712
    9655
    6854
    8122
    6788
    8830

或者将它转换成列表后再处理：

salaries = list(sheet['工资'])
    print(salaries)

[7653, 8799, 9800, 12880, 3600, 3800, 8976, 12000, 8900, 7688, 6712, 9655, 6854, 8122, 6788, 8830]

计算大家的平均工资：

sum = 0
    for i in salaries:
        sum += i
        
    print(f"总工资：{sum}")
    ave = sum / len(salaries)
    print(f"平均工资：{ave}")

总工资：131057
    平均工资：8191.0625

> 我们也可以对求和的方法，使用lambda表达式（匿名函数）结合reduce()函数进行。reduce()函数会对列表、元组等可遍历的元素依次进行运算：将第一个元素和第二个元素进行运算，并将结果和第三个元素进行运算，直到最后一个元素。

import functools
    sum = functools.reduce(lambda x, y: x + y, salaries)
    print(sum)

131057

> 我们可以使用read\_excel中的usecols参数，通过它指定我们需要读取数据的列，它接收字符串或者整数列表格式的数据，列表中列出我们想要取出数据的列的名称或者索引。

import pandas as pd
    sheet = pd.read_excel(io="测试数据.xlsx", usecols=[2])
    sheet

或者：

import pandas as pd
    sheet = pd.read_excel(io="测试数据.xlsx", usecols=['工资'])
    sheet

> 如果想在读取数据的时候，将原来的列的名字改成其他名字，则可以使用names参数指定为其他列名：

import pandas as pd
    sheet = pd.read_excel(io="测试数据.xlsx", names=['name','age','salary'])
    sheet

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th>name</th> 
   <th>age</th> 
   <th>salary</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>0</th> 
   <td>OLIVER.</td> 
   <td>23</td> 
   <td>7653</td> 
  </tr> 
  <tr> 
   <th>1</th> 
   <td>HARRY.</td> 
   <td>45</td> 
   <td>8799</td> 
  </tr> 
  <tr> 
   <th>2</th> 
   <td>GEORGE.</td> 
   <td>34</td> 
   <td>9800</td> 
  </tr> 
  <tr> 
   <th>3</th> 
   <td>NOAH.</td> 
   <td>54</td> 
   <td>12880</td> 
  </tr> 
  <tr> 
   <th>4</th> 
   <td>JACK.</td> 
   <td>34</td> 
   <td>3600</td> 
  </tr> 
  <tr> 
   <th>5</th> 
   <td>JACOB.</td> 
   <td>32</td> 
   <td>3800</td> 
  </tr> 
  <tr> 
   <th>6</th> 
   <td>MUHAMMAD.</td> 
   <td>51</td> 
   <td>8976</td> 
  </tr> 
  <tr> 
   <th>7</th> 
   <td>LEO.</td> 
   <td>46</td> 
   <td>12000</td> 
  </tr> 
  <tr> 
   <th>8</th> 
   <td>Harper.</td> 
   <td>42</td> 
   <td>8900</td> 
  </tr> 
  <tr> 
   <th>9</th> 
   <td>Evelyn.</td> 
   <td>38</td> 
   <td>7688</td> 
  </tr> 
  <tr> 
   <th>10</th> 
   <td>Ella.</td> 
   <td>33</td> 
   <td>6712</td> 
  </tr> 
  <tr> 
   <th>11</th> 
   <td>Avery.</td> 
   <td>26</td> 
   <td>9655</td> 
  </tr> 
  <tr> 
   <th>12</th> 
   <td>Scarlett.</td> 
   <td>37</td> 
   <td>6854</td> 
  </tr> 
  <tr> 
   <th>13</th> 
   <td>Madison.</td> 
   <td>41</td> 
   <td>8122</td> 
  </tr> 
  <tr> 
   <th>14</th> 
   <td>Lily.</td> 
   <td>54</td> 
   <td>6788</td> 
  </tr> 
  <tr> 
   <th>15</th> 
   <td>Eleanor.</td> 
   <td>28</td> 
   <td>8830</td> 
  </tr> 
 </tbody> 
</table>

> 需要注意的是，此时，我们如果要对这个DataFrame进行操作，就需要使用新的列名了。 如果我们想在取出工资数据的时候，以“￥12,345”的格式显示，则可以在获取数据的时候，就指定转换函数：

import pandas as pd
    def formatsalary(num):
        return f"￥{format(num,',')}"
    
    sheet = pd.read_excel(io="测试数据.xlsx", usecols=['工资'],converters={
        '工资':formatsalary})
    sheet

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 1]

> 上面通过converters指定了“工资”列，使用formatsalary函数来处理，所以取出来的数据就已经处理过的了。当然，我们也可以取出来后在对其进行格式化。  
> 其他的参数，大家可以自己进行试验。下面我们再来看一下，假设我要取出所有大于等于8000的工资，该如何进行处理呢？我们可以使用按照条件来获取DataFrame的行数据：

import pandas as pd
    sheet = pd.read_excel(io="测试数据.xlsx", usecols=['工资'])
    high_salary = sheet[sheet['工资'] >= 8000]
    high_salary

> 如果想取得工资大于等于8000小于等于10000的数据：

import pandas as pd
    sheet = pd.read_excel(io="测试数据.xlsx")
    high_salary = sheet[(sheet['工资'] >= 8000) & (sheet['工资'] <=10000)]
    high_salary

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th>姓名</th> 
   <th>年龄</th> 
   <th>工资</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>1</th> 
   <td>HARRY.</td> 
   <td>45</td> 
   <td>8799</td> 
  </tr> 
  <tr> 
   <th>2</th> 
   <td>GEORGE.</td> 
   <td>34</td> 
   <td>9800</td> 
  </tr> 
  <tr> 
   <th>6</th> 
   <td>MUHAMMAD.</td> 
   <td>51</td> 
   <td>8976</td> 
  </tr> 
  <tr> 
   <th>8</th> 
   <td>Harper.</td> 
   <td>42</td> 
   <td>8900</td> 
  </tr> 
  <tr> 
   <th>11</th> 
   <td>Avery.</td> 
   <td>26</td> 
   <td>9655</td> 
  </tr> 
  <tr> 
   <th>13</th> 
   <td>Madison.</td> 
   <td>41</td> 
   <td>8122</td> 
  </tr> 
  <tr> 
   <th>15</th> 
   <td>Eleanor.</td> 
   <td>28</td> 
   <td>8830</td> 
  </tr> 
 </tbody> 
</table>

> 如果只想显示符合条件的姓名和工资，则可以通过列表的方式指定要显示的列：

import pandas as pd
    sheet = pd.read_excel(io="测试数据.xlsx")
    high_salary = sheet[(sheet['工资'] >= 8000) & (sheet['工资'] <=10000)][['姓名','工资']]
    high_salary

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th>姓名</th> 
   <th>工资</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>1</th> 
   <td>HARRY.</td> 
   <td>8799</td> 
  </tr> 
  <tr> 
   <th>2</th> 
   <td>GEORGE.</td> 
   <td>9800</td> 
  </tr> 
  <tr> 
   <th>6</th> 
   <td>MUHAMMAD.</td> 
   <td>8976</td> 
  </tr> 
  <tr> 
   <th>8</th> 
   <td>Harper.</td> 
   <td>8900</td> 
  </tr> 
  <tr> 
   <th>11</th> 
   <td>Avery.</td> 
   <td>9655</td> 
  </tr> 
  <tr> 
   <th>13</th> 
   <td>Madison.</td> 
   <td>8122</td> 
  </tr> 
  <tr> 
   <th>15</th> 
   <td>Eleanor.</td> 
   <td>8830</td> 
  </tr> 
 </tbody> 
</table>

# 读取多个数据表 #

> 在上面的例子中，虽然在“测试数据.xlsx”文件中包含了两个数据表（sheet），但它只读取了第一个数据表的内容，如果我想把两个数据表数据都读取出来该怎么办呢？可以指定sheet\_name参数，它接收字符串、数字、字符串或数字列表以及None。如果指定为None，则返回所有数据表数据。默认为0，即返回第一个数据表数据。

import pandas as pd
    sheet = pd.read_excel(io="测试数据.xlsx", sheet_name=[0, 1])
    sheet

{0:            姓名  年龄     工资
     0     OLIVER.  23   7653
     1      HARRY.  45   8799
     2     GEORGE.  34   9800
     3       NOAH.  54  12880
     4       JACK.  34   3600
     5      JACOB.  32   3800
     6   MUHAMMAD.  51   8976
     7        LEO.  46  12000
     8     Harper.  42   8900
     9     Evelyn.  38   7688
     10      Ella.  33   6712
     11     Avery.  26   9655
     12  Scarlett.  37   6854
     13   Madison.  41   8122
     14      Lily.  54   6788
     15   Eleanor.  28   8830,
     1:     姓名  年龄     工资
     0   张三  39  15000
     1   李四  43  16000
     2   李雷  25   6800
     3  韩梅梅  28  23000}

可以看到，得到了两个数据表的数据。此时要得到数据表中的数据，就需要先通过sheet\[0\]、sheet\[1\]得到第一个数据表的所有数据，再在这个数据表数据中对数据进行处理了，例如：

sheet[1]

> 如果用的是数据表的名字，则应该写成sheet\[‘甲公司’\]。  
> 如果我们想把这两个数据表的数据合并到一起，可以使用pandas中的`concat()`函数：

import pandas as pd
    sheet = pd.read_excel(io="测试数据.xlsx", sheet_name=[1, 0])
    st = pd.concat(sheet,ignore_index = True)
    st

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th>姓名</th> 
   <th>年龄</th> 
   <th>工资</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>0</th> 
   <td>张三</td> 
   <td>39</td> 
   <td>15000</td> 
  </tr> 
  <tr> 
   <th>1</th> 
   <td>李四</td> 
   <td>43</td> 
   <td>16000</td> 
  </tr> 
  <tr> 
   <th>2</th> 
   <td>李雷</td> 
   <td>25</td> 
   <td>6800</td> 
  </tr> 
  <tr> 
   <th>3</th> 
   <td>韩梅梅</td> 
   <td>28</td> 
   <td>23000</td> 
  </tr> 
  <tr> 
   <th>4</th> 
   <td>OLIVER.</td> 
   <td>23</td> 
   <td>7653</td> 
  </tr> 
  <tr> 
   <th>5</th> 
   <td>HARRY.</td> 
   <td>45</td> 
   <td>8799</td> 
  </tr> 
  <tr> 
   <th>6</th> 
   <td>GEORGE.</td> 
   <td>34</td> 
   <td>9800</td> 
  </tr> 
  <tr> 
   <th>7</th> 
   <td>NOAH.</td> 
   <td>54</td> 
   <td>12880</td> 
  </tr> 
  <tr> 
   <th>8</th> 
   <td>JACK.</td> 
   <td>34</td> 
   <td>3600</td> 
  </tr> 
  <tr> 
   <th>9</th> 
   <td>JACOB.</td> 
   <td>32</td> 
   <td>3800</td> 
  </tr> 
  <tr> 
   <th>10</th> 
   <td>MUHAMMAD.</td> 
   <td>51</td> 
   <td>8976</td> 
  </tr> 
  <tr> 
   <th>11</th> 
   <td>LEO.</td> 
   <td>46</td> 
   <td>12000</td> 
  </tr> 
  <tr> 
   <th>12</th> 
   <td>Harper.</td> 
   <td>42</td> 
   <td>8900</td> 
  </tr> 
  <tr> 
   <th>13</th> 
   <td>Evelyn.</td> 
   <td>38</td> 
   <td>7688</td> 
  </tr> 
  <tr> 
   <th>14</th> 
   <td>Ella.</td> 
   <td>33</td> 
   <td>6712</td> 
  </tr> 
  <tr> 
   <th>15</th> 
   <td>Avery.</td> 
   <td>26</td> 
   <td>9655</td> 
  </tr> 
  <tr> 
   <th>16</th> 
   <td>Scarlett.</td> 
   <td>37</td> 
   <td>6854</td> 
  </tr> 
  <tr> 
   <th>17</th> 
   <td>Madison.</td> 
   <td>41</td> 
   <td>8122</td> 
  </tr> 
  <tr> 
   <th>18</th> 
   <td>Lily.</td> 
   <td>54</td> 
   <td>6788</td> 
  </tr> 
  <tr> 
   <th>19</th> 
   <td>Eleanor.</td> 
   <td>28</td> 
   <td>8830</td> 
  </tr> 
 </tbody> 
</table>

> 这里ignore\_index的意思是忽略各自的索引，统一使用新的索引。

# 合并多个工作表 #

多个EXCECL合并到一个工作表中，Python来帮你实现

# -*- coding:utf-8 -*-
    # @Address:https://beishan.blog.csdn.net/
    # @Author:北山啦
    import pandas as pd
    import os
    path = r"五省PM2.5\archive"
    dfs,index = [],0
    for i in os.listdir(path):
        dfs.append(pd.read_csv(os.path.join(path,i)))
        print(f"正在合并{index+1}工作表")
        index += 1
    df = pd.concat(dfs)
    df.to_csv("数据汇总.csv",index=False)

正在合并1工作表
    正在合并2工作表
    正在合并3工作表
    正在合并4工作表
    正在合并5工作表
    正在合并6工作表
    正在合并7工作表

# 写入Excel文件 #

可以将DataFrame数据写入到一个新的Excel文件中，例如，我们可以将上面合并的两个Excel数据表数据，写入到新的Excel文件中：

df = pd.DataFrame(st)
    df.to_excel("合并工资报表.xlsx")

这里我们使用DataFrame上的to\_excel()方法将数据写入到Excel文件中。它的原型是：to\_excel(self, excel\_writer, sheet\_name=‘Sheet1’, na\_rep=’’, float\_format=None, columns=None, header=True, index=True, index\_label=None, startrow=0, startcol=0, engine=None, merge\_cells=True, encoding=None, inf\_rep=‘inf’, verbose=True, freeze\_panes=None)，常用的参数说明：

*  excel\_writer：需要指定一个写入的文件，可以是字符串或者ExcelWriter对象
 *  sheet\_name：写入的工作表名称，是一个字符串，默认为’Sheet1’
 *  na\_rep：当没有数据的时候，应该填入的默认值，默认为空字符串
 *  float\_format：浮点数格式，默认为None。可以按照float\_format="%.2f"这样的方式指定
 *  columns：指定写入的列名顺序，是一个列表。
 *  header：是否有表头，默认为True，可以是布尔类型或者字符串列表。
 *  index：是否加上行索引，默认为True。
 *  index\_label：索引标签，可以是字符串或者列表，默认为None。
 *  startrow：插入数据的起始行，默认为0。
 *  startcol：插入数据的其实列，默认0
 *  engine：使用的写文件引擎，例如：‘openpyxl’ 、 ‘xlsxwriter’  
    当然，我们也可以不限于将一个Excel表中的数据写入到另一个Excel文件，我们自己在程序中运行得到的数据，也可以将其组织成DataFrame后，写入到Excel文件中。

import pandas as pd
    df = pd.DataFrame({
        '姓名':['李雷', '韩梅梅', '小明',
                               '张三', '李四', '王五'],
                      '年龄':[31, 22, 30, 49, 38, 33]})
    df.to_excel("员工表.xlsx", sheet_name="202002入职")

看看是不是写入到文件了：

f = pd.read_excel("员工表.xlsx")
    f

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th>Unnamed: 0</th> 
   <th>姓名</th> 
   <th>年龄</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <th>0</th> 
   <td>0</td> 
   <td>李雷</td> 
   <td>31</td> 
  </tr> 
  <tr> 
   <th>1</th> 
   <td>1</td> 
   <td>韩梅梅</td> 
   <td>22</td> 
  </tr> 
  <tr> 
   <th>2</th> 
   <td>2</td> 
   <td>小明</td> 
   <td>30</td> 
  </tr> 
  <tr> 
   <th>3</th> 
   <td>3</td> 
   <td>张三</td> 
   <td>49</td> 
  </tr> 
  <tr> 
   <th>4</th> 
   <td>4</td> 
   <td>李四</td> 
   <td>38</td> 
  </tr> 
  <tr> 
   <th>5</th> 
   <td>5</td> 
   <td>王五</td> 
   <td>33</td> 
  </tr> 
 </tbody> 
</table>

可以看到，确实已经写入进去了。  
那如果要写多个数据到一个Excel文件的多个数据表（sheet）中，该怎么处理呢？此时可以使用下面的方法。

df1 = pd.DataFrame({
        '姓名':['李雷', '韩梅梅', '小明',
                               '张三', '李四', '王五'],
                      '年龄':[31, 22, 30, 49, 38, 33]})
    
    df2 = pd.DataFrame({
        'Names': ['Andrew', 'Tomas', 'Larry',
                               'Sophie', 'Sally', 'Simone'],
                       'Age':[42, 37, 39, 35, 29, 27]})
    
    
    
    dfs = {
        '国内员工':df1, '外籍员工':df2}
    writer = pd.ExcelWriter('Employees.xlsx', engine='xlsxwriter')
    
    for sheet_name in dfs.keys():
        dfs[sheet_name].to_excel(writer, sheet_name=sheet_name, index=False)
        
    writer.save()

看看是不是已经写入到文件了：

sheet = pd.read_excel(io="Employees.xlsx", sheet_name=None)
    sheet

{'国内员工':     姓名  年龄
     0   李雷  31
     1  韩梅梅  22
     2   小明  30
     3   张三  49
     4   李四  38
     5   王五  33,
     '外籍员工':     Names  Age
     0  Andrew   42
     1   Tomas   37
     2   Larry   39
     3  Sophie   35
     4   Sally   29
     5  Simone   27}

但是仔细看的话，会发现上面的外籍员工这个数据表，字段Names和Age反了，这是因为DataFrame自动按照字母顺序给我们排序了。要避免这种情况，需要在to\_excel()中加上columns来指定表头字段顺序：

df1 = pd.DataFrame({
        '姓名':['李雷', '韩梅梅', '小明',
                               '张三', '李四', '王五'],
                      '年龄':[31, 22, 30, 49, 38, 33]})
    
    df2 = pd.DataFrame({
        'Names': ['Andrew', 'Tomas', 'Larry',
                               'Sophie', 'Sally', 'Simone'],
                       'Age':[42, 37, 39, 35, 29, 27]})
    
    
    
    dfs = {
        '国内员工':df1, '外籍员工':df2}
    cols = {
        "国内员工":['姓名', '年龄'],"外籍员工":['Names','Age']}  # 指定列名顺序
    writer = pd.ExcelWriter('Employees.xlsx', engine='xlsxwriter')
    
    for sheet_name in dfs.keys():
        dfs[sheet_name].to_excel(writer, sheet_name=sheet_name, index=False, columns = cols[sheet_name])
        
    writer.save()

再来看看现在是否正确：

sheet = pd.read_excel(io="Employees.xlsx", sheet_name=None)
    sheet

现在没问题了。  
还可以使用前面读写文件的时候的with … 这种方式。  
上面的方式，会覆盖原来的文件内容。如果要在原有的Excel表中加上一个新的数据表（sheet），可以通过下面的方式：

from openpyxl import load_workbook
    book = load_workbook("Employees.xlsx")  # 加载原有的数据到Workbook
    
    df3 = pd.DataFrame({
        'Names': ['Judy'],
                       'Age':[27]})
    
    with pd.ExcelWriter('Employees.xlsx',
                        engine='openpyxl') as writer:  
        writer.book = book  # 让writer加入原来的两个workbook
        df3.to_excel(writer, sheet_name='候补员工', index=False, columns=['Names', 'Age'])
        writer.save()

import pandas as pd
    sheet = pd.read_excel(io="Employees.xlsx", sheet_name=None)
    sheet

{'国内员工':     姓名  年龄
     0   李雷  31
     1  韩梅梅  22
     2   小明  30
     3   张三  49
     4   李四  38
     5   王五  33,
     '外籍员工':     Names  Age
     0  Andrew   42
     1   Tomas   37
     2   Larry   39
     3  Sophie   35
     4   Sally   29
     5  Simone   27,
     '候补员工':   Names  Age
     0  Judy   27}

> 可以看到，在原来的Excel文件中，已经加入了“候补员工”这个数据表。加入需要在某个数据表中加入数据（append），可以使用下面方式：

from openpyxl import load_workbook
    book = load_workbook("Employees.xlsx")  # 加载原有的数据到Workbook
    
    df4 = pd.DataFrame({
        'Names': ['Moore'],
                       'Age':[38]})
    
    with pd.ExcelWriter('Employees.xlsx',
                        engine='openpyxl') as writer:  
        writer.book = book  # 让writer加入原来的3个workbook
        writer.sheets = {
        ws.title: ws for ws in book.worksheets}
        start_row = writer.sheets['候补员工'].max_row
        df4.to_excel(writer, sheet_name='候补员工', index=False, columns=['Names', 'Age'], startrow=start_row,header=False)
        writer.save()

> 这里的要点是：使用startrow指定要插入数据的文字，这里还要注意我们是往某个已经存在的数据表插入数据，所以要指定正确的sheet\_name，还有就是为了避免重复的表头，将header设置成False。

import pandas as pd
    sheet = pd.read_excel(io="Employees.xlsx", sheet_name=None)
    sheet

{'国内员工':     姓名  年龄
     0   李雷  31
     1  韩梅梅  22
     2   小明  30
     3   张三  49
     4   李四  38
     5   王五  33,
     '外籍员工':     Names  Age
     0  Andrew   42
     1   Tomas   37
     2   Larry   39
     3  Sophie   35
     4   Sally   29
     5  Simone   27,
     '候补员工':    Names  Age
     0   Judy   27
     1  Moore   38}

![在这里插入图片描述][resize_m_lfit_w_962_pic_center]

> 到这里就结束了，如果对你有帮助，欢迎点赞关注评论，你的点赞对我很重要。  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 2]

[Link 1]: https://bbs.huaweicloud.com/blogs/277376
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70]: /images/20221022/c0f5fb91952a4c6fbb8e8990259bb51a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 1]: /images/20221022/e5a62691fccb4da3900823dbb795a29f.png
[resize_m_lfit_w_962_pic_center]: /images/20221022/941156e4d9af4e86b4e56af9579f03be.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 2]: /images/20221022/cd6a0b4b097447338ead6dceede1839a.png