Pandas: recherche de la liste des feuilles dans un fichier Excel

La nouvelle version de Pandas utilise l'interface suivante pour charger les fichiers Excel:

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

mais que faire si je ne connais pas les feuilles disponibles?

Par exemple, je travaille avec des fichiers Excel que les feuilles suivantes

Données 1, Données 2 ..., Données N, toto, bar

mais je ne sais pas Na priori.

Existe-t-il un moyen d'obtenir la liste des feuilles à partir d'un document Excel dans Pandas?

Vous pouvez toujours utiliser la classe ExcelFile (et l' sheet_namesattribut):

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

xl.sheet_names  # see all sheet names

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

voir la documentation pour l'analyse pour plus d'options ...

Vous devez spécifier explicitement le deuxième paramètre (nom de la feuille) comme Aucun. comme ça:

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

"df" sont toutes des feuilles en tant que dictionnaire de DataFrames, vous pouvez le vérifier en exécutant ceci:

df.keys()

résultat comme ceci:

[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']

veuillez vous référer au document pandas pour plus de détails: https://pandas.pydata.org/pandas-docs/stable/generated/pandas.read_excel.html

C'est le moyen le plus rapide que j'ai trouvé, inspiré par la réponse de @ DivingTobi. Toutes Les réponses basées sur xlrd, openpyxl ou pandas sont lentes pour moi, car elles chargent toutes le fichier entier en premier.

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")]

En vous basant sur la réponse de @dhwanil_shah, vous n'avez pas besoin d'extraire le fichier entier. Avec zf.openil est possible de lire directement à partir d'un fichier compressé.

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

Les deux readlines consécutifs sont laids, mais le contenu n'est que dans la deuxième ligne du texte. Pas besoin d'analyser tout le fichier.

Cette solution semble être beaucoup plus rapide que la read_excelversion, et probablement aussi plus rapide que la version d'extrait complet.

J'ai essayé xlrd, pandas, openpyxl et d'autres bibliothèques similaires et elles semblent toutes prendre un temps exponentiel à mesure que la taille du fichier augmente à mesure qu'il lit le fichier entier. Les autres solutions mentionnées ci-dessus où ils utilisaient «on_demand» ne fonctionnaient pas pour moi. Si vous souhaitez simplement obtenir les noms de feuille au départ, la fonction suivante fonctionne pour les fichiers xlsx.

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

Étant donné que tous les xlsx sont essentiellement des fichiers compressés, nous extrayons les données xml sous-jacentes et lisons les noms de feuille directement à partir du classeur, ce qui prend une fraction de seconde par rapport aux fonctions de la bibliothèque.

Analyse comparative: (sur un fichier xlsx de 6 Mo avec 4 feuilles)
Pandas, xlrd: 12 secondes
openpyxl: 24 secondes
Méthode proposée: 0,4 seconde

Étant donné que mon exigence consistait simplement à lire les noms des feuilles, la surcharge inutile de la lecture tout le temps me dérangeait donc j'ai pris cette route à la place.

from openpyxl import load_workbook

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

Pour un fichier Excel de 5 Mo avec lequel je travaille, load_workbooksans le read_onlydrapeau, cela a pris 8,24 s. Avec le read_onlydrapeau, il n'a fallu que 39,6 ms. Si vous souhaitez toujours utiliser une bibliothèque Excel et ne pas passer à une solution xml, c'est beaucoup plus rapide que les méthodes qui analysent l'ensemble du fichier.