Python实现对大量表格文件数据处理的方法详解
本文介绍基于Python语言，针对一个文件夹下大量的Excel表格文件，基于其中每一个文件，首先依据某一列数据的特征截取我们需要的数据，随后对截取出来的数据逐行求差，并基于其他多个文件夹中同样大量的Excel表格文件，进行数据跨文件合并的具体方法。
首先，我们来明确一下本文的具体需求。现有一个文件夹，其中有大量的Excel表格文件（在本文中我们就以.csv格式的文件为例），且每一个文件的名称都表示该文件对应的数据源点的ID；如下图所示。
其中，每一个Excel表格文件都有着如下图所示的数据格式；其中的第1列，是表示天数的时间数据，每一行数据之间的时间跨度是8天。
我们希望实现的是，首先对于这个文件夹中的每一个文件，都截取出其中天数在2022001（也就是2022年第1天）及之后的部分；随后，对截取出来的数据的各列（除了第1列，因为第1列是表示时间的数据）加以逐行求差——例如，用2022009的数据减去2022001的数据，随后用2022017的数据减去2022009的数据，并将差值作为新的几列放在原有的几列后面；还有，我们还希望从当前文件的文件名、以及第1列的天数中，提取出一些关键信息，作为新的列放在后面（我这里是希望生产一个深度神经网络回归的训练数据，所以就需要组合各类的数据）。此外，我们还有2个文件夹，其中有着同样大量、同样文件命名规则、同样数据格式的数据，我们希望将这2个文件夹中与当前文件夹中每一个同名的文件中的同一天的数据合并。
了解了需求，我们就可以开始代码的书写。本文用到的代码如下所示。
# -*- coding: utf-8 -*-
"""
Created on Thu May 18 11:36:41 2023
@author: fkxxgis
"""
import os
import numpy as np
import pandas as pd
original_path = "E:/01_Reflectivity/99_Model_Training/00_Data/02_Extract_Data/17_HANTS"
era5_path = "E:/01_Reflectivity/99_Model_Training/00_Data/03_Meteorological_Data/02_AllERA5"
history_path = "E:/01_Reflectivity/99_Model_Training/00_Data/02_Extract_Data/18_AllYearAverage_2"
output_path = "E:/01_Reflectivity/99_Model_Training/00_Data/02_Extract_Data/19_2022Data"
era5_files = os.listdir(era5_path)
history_files = os.listdir(history_path)
for file in os.listdir(original_path):
file_path = os.path.join(original_path, file)
if file.endswith(".csv") and os.path.isfile(file_path):
point_id = file[4 : -4]
df = pd.read_csv(file_path)
filter_df = df[df["DOY"] >= 2022001]
filter_df = filter_df.reset_index(drop = True)
filter_df["blue_dif"] = filter_df["blue"].diff()
filter_df["green_dif"] = filter_df["green"].diff()
filter_df["red_dif"] = filter_df["red"].diff()
filter_df["inf_dif"] = filter_df["inf"].diff()
filter_df["si1_dif"] = filter_df["si1"].diff()
filter_df["si2_dif"] = filter_df["si2"].diff()
filter_df["NDVI_dif"] = filter_df["NDVI"].diff()
filter_df["PointType"] = file[4 : 7]
filter_df["days"] = filter_df["DOY"] % 1000
for era5_file in era5_files:
if point_id in era5_file:
era5_df = pd.read_csv(os.path.join(era5_path, era5_file))
rows_num = filter_df.shape[0]
for i in range(rows_num):
day = filter_df.iloc[i, 0]
row_need_index = era5_df.index[era5_df.iloc[ : , 1] == day]
row_need = row_need_index[0]
sola_data_all = era5_df.iloc[row_need - 2 : row_need, 2]
temp_data_all = era5_df.iloc[row_need - 6 : row_need - 2, 3]
prec_data_all = era5_df.iloc[row_need - 5 : row_need - 1, 4]
soil_data_all = era5_df.iloc[row_need - 6 : row_need - 2, 5 : 7 + 1]
sola_data = np.sum(sola_data_all.values)
temp_data = np.sum(temp_data_all.values)
prec_data = np.sum(prec_data_all.values)
soil_data = np.sum(soil_data_all.values)
filter_df.loc[i, "sola"] = sola_data
filter_df.loc[i, "temp"] = temp_data
filter_df.loc[i, "prec"] = prec_data
filter_df.loc[i, "soil"] = soil_data
break
for history_file in history_files:
if point_id in history_file:
history_df = pd.read_csv(os.path.join(history_path, history_file)).iloc[ : , 1 : ]
history_df.columns = ["blue_h", "green_h", "red_h", "inf_h", "si1_h", "si2_h", "ndvi_h"]
break
filter_df_new = pd.concat([filter_df, history_df], axis = 1)
output_file = os.path.join(output_path, file)
filter_df_new.to_csv(output_file, index = False)
代码中首先定义了几个文件夹路径，分别是原始数据文件夹（也就是本文开头第1张图所示的文件夹）、ERA5气象数据文件夹、历史数据文件夹和输出文件夹。然后，通过 os.listdir() 函数获取了ERA5气象数据文件夹和历史数据文件夹中的所有文件名，并在后续的循环中使用。
接下来是一个 for 循环，遍历了原始数据文件夹中的所有.csv文件，如果文件名以 .csv 结尾并且是一个合法的文件，则读取该文件。然后，根据文件名提取了点ID，并使用Pandas中的 read_csv() 函数读取了该文件的数据。接着，使用Pandas中的 loc[] 函数对数据进行了处理，包括筛选出DOY大于等于 2022001 的行，将其重置索引，并计算了反射率数据的差值。然后，将一些元数据添加到筛选后的数据中，包括点类型和天数。
接下来是两个 for 循环，分别用于处理ERA5气象数据和历史数据。在处理ERA5气象数据时，首先找到与当前点ID匹配的ERA5气象数据文件，并使用Pandas中的 read_csv() 函数读取了该文件的数据。然后，使用 iloc[] 函数根据当前日期找到了ERA5气象数据中对应的行，并从该行及其前两行中提取了太阳辐射、温度、降水和土壤湿度数据。最后，将这些数据添加到筛选后的数据中。
在处理历史数据时，首先找到与当前点ID匹配的历史数据文件，并使用Pandas中的 read_csv() 函数读取了该文件的数据。然后，使用 iloc[] 函数删除了第一列，并将剩余列重命名为blue_h、green_h、red_h、inf_h、si1_h、si2_h 和 ndvi_h。最后，使用Pandas中的 concat() 函数将筛选后的数据和历史数据合并成一个新的DataFrame。
最后，使用Pandas中的 to_csv() 函数将新的DataFrame保存到输出文件夹中。
运行上述代码，我们即可得到无数个组合后的Excel表格文件，其中每一个文件的列都如下图所示，已经是我们合并了各类信息之后的了。
这样，就完成了我们神经网络训练数据集的生产过程。
至此，大功告成。
到此这篇关于Python实现对大量表格文件数据处理的方法详解的文章就介绍到这了,更多相关Python表格内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
下面小编就为大家分享一篇利用python将xml文件解析成html文件的实现方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2017-12-12
这篇文章主要介绍了改变 Python 中线程的执行顺序的方法，帮助大家更好的理解和学习python，感兴趣的朋友可以了解下2020-09-09
今天小编就为大家分享一篇Python 矩阵转置的几种方法小结，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-12-12
本文主要讲解了基本的import模块方法，首先从模块的定义入手，接着讲诉如何自己编写模块，非常简单实用，有需要的朋友可以参考下2014-10-10
这篇文章主要介绍了Python探索之SocketServer详解，小编觉得还是比较不错的，这里分享给大家，供需要的朋友参考。2017-10-10
下面小编就为大家分享一篇pandas 实现将重复表格去重,并重新转换为表格的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-04-04
这篇文章主要介绍了pandas按照列的值排序(某一列或者多列)，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2020-12-12
今天介绍一个不使用 matplot,通过 DebugInfo模块打印条形堆积图的方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧2023-08-08
这篇文章主要介绍了Matplotlib的反转轴、绘制双轴和定制刻度详解,作为Python生态中应用最广泛的绘图库,Matplotlib用起来非常简单,也很容易上手,本文汇总了和轴、刻度相关的七个Matplotlib使用技巧,并给出了实例代码,需要的朋友可以参考下2023-08-08
在pylons的文档中，有专门讲过如何添加自己的Middleware, 通过这些Middleware, 我们可以改变输入和输出。这也是WSGI(Web Server Gateway Interface)的优势和精髓所在,那么在pyramid中，我们如何添加Middleware呢2013-11-11
最新评论