news 2026/5/27 14:31:00

Polars中导入excel文件

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
Polars中导入excel文件

Polars中导入excel文件

1、直接导入

defpddaoru_sheetname(filedir):

#df1 = pd.read_excel(filedir,sheet_name=name) # polars导入excel文件命令
df = pl.read_excel(filedir)# polars导入excel文件命令
pf = df.to_pandas()# polars导入excel文件命令
#pf = df1.iloc[4:] # polars导入excel文件命令
kkk=pf.copy()
print(f'导入{filedir}文件,源有{len(df)}行,有效数据{len(pf)}')
returnkkk

2、导入多个sheet

ledger = pl.read_excel(pth_ledger,sheet_name=['详表','限速门限修改为321'])
ledger_cells = ledger[
'详表']['ECI'].to_list()
ledger_cells_321 = ledger[
'限速门限修改为321']['ECI'].to_list()

3、指定导入个别列字段类型

liuliang_schema = {'SPID用户数':pl.Int64,'SPID用户占比':pl.Float64}
liuliang = pl.read_excel(pth_liuliang,
sheet_name='Sheet1',schema_overrides=liuliang_schema)

4、复杂导入

schema = {'地市': pl.String,'enodebid': pl.Int64,'基站名称': pl.String,'ECI': pl.Int64,'小区名称': pl.String,
'承建商': pl.String,'厂家': pl.String}

d = pl.read_excel(p,sheet_name='Sheet1',raise_if_empty=False,columns=list(schema.keys()),
schema_overrides=schema)

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/5/27 14:29:29

5步构建完整Windows虚拟化驱动包:virtio-win-pkg-scripts实战指南

5步构建完整Windows虚拟化驱动包:virtio-win-pkg-scripts实战指南 【免费下载链接】virtio-win-pkg-scripts Scripts for packaging virtio-win drivers 项目地址: https://gitcode.com/gh_mirrors/vi/virtio-win-pkg-scripts virtio-win-pkg-scripts是一套专…

作者头像 李华
网站建设 2026/5/27 14:29:25

从Git提交到社交媒体:自动化技术分享的CLI工具设计与实现

1. 项目概述:从代码提交到社交媒体的自动化桥梁最近在折腾一个挺有意思的小工具,起因是发现很多开发者(包括我自己)在社交媒体上分享技术进展时,常常会陷入一种“重复劳动”的尴尬。我们花时间写了代码、提交了有意义的…

作者头像 李华
网站建设 2026/5/27 14:28:33

深度学习赋能图像融合:技术全景、核心挑战与未来演进

1. 深度学习图像融合技术全景图 图像融合技术就像一位技艺高超的厨师,能够将不同食材(源图像)的最佳风味提取出来,烹饪出一道色香味俱全的佳肴。这项技术通过整合多幅图像中的互补信息,生成一幅信息更丰富、质量更高的…

作者头像 李华
网站建设 2026/5/27 14:28:12

从理论到实践:使用sklearn解锁神经网络反向传播的鸢尾花分类实战

1. 神经网络与反向传播:从数学原理到代码实现 第一次接触神经网络时,我被那些复杂的数学公式吓得不轻。直到后来在实际项目中用sklearn的MLPClassifier解决了一个分类问题,才发现理论到实践的桥梁并没有想象中那么难搭建。今天我们就用经典的…

作者头像 李华
网站建设 2026/5/27 14:28:11

从99.77%到99.8%:PyTorch CNN在MNIST上的超参数调优与模型微调实战

1. 突破MNIST分类的极限挑战 当你的CNN模型在MNIST上已经达到99.77%准确率时,可能很多人会觉得这已经接近天花板了。但真实情况是,从99.77%到99.8%这0.03%的提升,往往比从95%到99%更难实现。这就像短跑运动员想要将百米成绩从9.77秒提升到9.7…

作者头像 李华
网站建设 2026/5/27 14:27:20

成都制造企业插单太频繁,AI该先算哪些优先级?

插单问题,表面是交期,实质是经营取舍很多成都制造企业并不是没有排产计划,而是计划一旦遇到急单、重点客户、临时变更和销售承诺,就很快被打乱。计划员前一天刚排好的产能,第二天可能因为客户催单、老板批示、销售争取…

作者头像 李华