Leer archivos XLSX con Python y Pandas

Pandas es una biblioteca muy robusta y optimizada que ayuda a manejar datos de manera eficiente, realizar operaciones sobre esos datos con facilidad y analizarlos con todo tipo de diagramas y gráficos. Las operaciones comunes como la fusión, la concatenación y la remodelación se pueden realizar muy fácilmente usando pandas.

Pandas también admite la lectura de archivos y el almacenamiento de datos dentro de los archivos en varios objetos, como matrices y DataFrames. Uno de esos archivos es .xlsx. Los archivos .xlsx son archivos de hoja de cálculo de formato XML abierto de Microsoft Excel que están comprimidos y basados ​​en XML. Este artículo hablará sobre cómo leer archivos .xlsx usando pandas.

Lectura de archivos .xlsx usando pandas en Python

Para leer archivos .xlsx usando pandas, podemos usar la función read_excel(). Esta función lee un archivo de Excel en un pandas DataFrame. Y podemos usar esta función para leer archivos xlsx, xls, xlsm, xlsb, odf, ods y odt. Dado que los archivos de Excel pueden contener varias hojas, esta función puede leer una o varias hojas.

La función read_excel() tiene un par de parámetros. Discutiremos algunos de los principales.

• io: este parámetro puede ser str, bytes, ExcelFile, xlrd.Book, path object u file-like object. Es esencialmente el archivo o el objeto que debe leerse. También se puede pasar una ruta de archivo válida en forma de cadena a este parámetro.
• sheet_name: este parámetro puede ser str, int, list o None. El valor predeterminado es 0. Dado que los archivos de Excel se componen de hojas, podemos especificar una sola hoja o un montón de hojas para leer. No solo podemos usar índices enteros (2, 0, [1, 3, 7]) sino también nombres de cadenas para especificar las hojas (Sheet1, Sheet3, ["Sheet4", "Sheet5", "Sheet8"]).
• header: la fila que debe considerarse como encabezado del archivo de Excel. El valor predeterminado es 0 porque la primera fila suele ser el encabezado y considera la indexación basada en cero. Si no hay encabezado, configúrelo en None.
• names: Podemos especificar qué columnas deseamos leer del archivo de Excel. Acepta una lista de nombres de columna. El valor predeterminado es None. Dado que los nombres de las columnas se encuentran dentro del encabezado, el archivo debe tener uno. De lo contrario, simplemente establezca header = None.

Ahora veamos cómo podemos usar esta función para leer un archivo .xlxs. Consulte el siguiente código.

file_name = "my_file.xlsx"  # File name
sheet_name = 3  # 4th sheet
header = 1  # The header is the 2nd row
df = pd.read_excel(file_name=file_name, sheet_name=sheet_name, header=header)
print(df.head())  # Prints first 5 rows from the top along with the header
print(df.tail())  # Prints first 5 rows from the bottom along with the header