寫在前面
QQ群里偶然看到群友問這個問題, pandas讀取大文件時怎么才能獲取進度? 我第一反應是: 除非pandas的read_excel等函數提供了回調函數的接口, 否則應該沒辦法做到. 搜索了一下官方文檔和網上的帖子, 果然是沒有現成的方案, 只能自己動手.
準備工作
確定方案
一開始我就確認了實現方案, 那就是增加回調函數. 這里現學現賣科普一下什么是回調函數. 簡單的說就是:
所使用的模塊里面, 會調用一個你給定的外部方法/函數, 就是回調函數. 拿本次的嘗試作為例子, 我會編寫一個"顯示進度函數", 通過傳參的方式傳入pd.read_excel, 這樣pd在讀取excel時, 會邊讀取邊調用"顯示進度函數". 為什么不直接在pd里面增加? 因為pd讀取excel文件時是阻塞的, 內部方法在被調用時無法拋出進度信息. (如有謬誤請指正)
理解讀取方式
先得了解一下pandas是怎么讀取excel的. 在pycharm里面按住control點擊read_excel, 再瀏覽一下代碼根據關鍵的函數繼續跳轉, 還是挺容易得到調用的路徑的.
最后OpenpyxlReader讀取excel的方法代碼如下. 很明顯重點就在其中的for循環里. 調用get_sheet_data時, 已經通過一系列方法獲得了目標sheet(這里細節不贅述), 然后在for循環里逐行讀取數據并返回data最后生成dataframe.
def get_sheet_data(self, sheet, convert_float: bool) -> List[List[Scalar]]:
# GH 39001
# Reading of excel file depends on dimension data being correct but
# writers sometimes omit or get it wrong
import openpyxl
version = LooseVersion(get_version(openpyxl))
# There is no good way of determining if a sheet is read-only
# https://foss.heptapod.net/openpyxl/openpyxl/-/issues/1605
is_readonly = hasattr(sheet, "reset_dimensions")
if version >= "3.0.0" and is_readonly:
sheet.reset_dimensions()
data: List[List[Scalar]] = []
last_row_with_data = -1
for row_number, row in enumerate(sheet.rows):
converted_row = [self._convert_cell(cell, convert_float) for cell in row]
if not all(cell == "" for cell in converted_row):
last_row_with_data = row_number
data.append(converted_row)
# Trim trailing empty rows
data = data[: last_row_with_data + 1]
if version >= "3.0.0" and is_readonly and len(data) > 0:
# With dimension reset, openpyxl no longer pads rows
max_width = max(len(data_row) for data_row in data)
if min(len(data_row) for data_row in data) max_width:
empty_cell: List[Scalar] = [""]
data = [
data_row + (max_width - len(data_row)) * empty_cell
for data_row in data
]
return data
開始改動
這里直接暴力更改pandas庫源文件!(僅用于調試, 注意備份和保護自己的工作環境)
主程序代碼
編寫main.py, 代碼比較簡單, 相關功能我都用注釋作為解釋. 其中show_pd_read_excel_progress就是我編寫的回調函數, 通過命令行的方式輸出實時的讀取進度. 當然你如果編寫的是GUI程序比如PYQT5, 也可以在這個回調函數中發送signal給main UI, 做成progress bar或者其他的GUI樣式.
import pandas as pd
from datetime import datetime
'''
定義回調函數
cur: 讀取時的當前行數
tt: 讀取文件的總行數
'''
def show_pd_read_excel_progress(cur, tt):
# 進度數值
progress = " {:.2f}%".format(cur/tt*100)
# 進度條
bar = " ".join("█" for _ in range(int(cur/tt*100/10)))
# 顯示進度
print("\r進度:" + bar + progress, end="", flush=True)
# 記錄開始時間
t = datetime.now()
# 開始讀取excel
print("pd.read_excel: test_4.xlsx...")
xl_data = pd.read_excel("test_4.xlsx", callback=show_pd_read_excel_progress)
# 打印excel頭幾行
print(xl_data.head())
print("\n")
# 顯示花費的時間
print("Time spent:", datetime.now()-t)
修改pandas源碼
再自己觀察一下, 我在pd.read_excel方法的參數里增加了callback參數, 這個參數是原版read_excel方法里沒有的. 所以我們需要處理pandas源碼, 這個源碼在…/pandas/io/excel/_base.py中, pycharm中按住control點擊read_excel可以快速跳轉. 這個地方我增加了一個參數callback, 默認值為None. 下方io.parse同樣把callback參數傳遞給ExcelFile類.
def read_excel(
io,
sheet_name=0,
header=0,
names=None,
index_col=None,
usecols=None,
squeeze=False,
dtype=None,
engine=None,
converters=None,
true_values=None,
false_values=None,
skiprows=None,
nrows=None,
na_values=None,
keep_default_na=True,
na_filter=True,
verbose=False,
parse_dates=False,
date_parser=None,
thousands=None,
comment=None,
skipfooter=0,
convert_float=True,
mangle_dupe_cols=True,
storage_options: StorageOptions = None,
callback = None, # 增加callback參數
):
should_close = False
if not isinstance(io, ExcelFile):
should_close = True
io = ExcelFile(io, storage_options=storage_options, engine=engine)
elif engine and engine != io.engine:
raise ValueError(
"Engine should not be specified when passing "
"an ExcelFile - ExcelFile already has the engine set"
)
try:
data = io.parse(
sheet_name=sheet_name,
header=header,
names=names,
index_col=index_col,
usecols=usecols,
squeeze=squeeze,
dtype=dtype,
converters=converters,
true_values=true_values,
false_values=false_values,
skiprows=skiprows,
nrows=nrows,
na_values=na_values,
keep_default_na=keep_default_na,
na_filter=na_filter,
verbose=verbose,
parse_dates=parse_dates,
date_parser=date_parser,
thousands=thousands,
comment=comment,
skipfooter=skipfooter,
convert_float=convert_float,
mangle_dupe_cols=mangle_dupe_cols,
callback = callback, # 增加callback參數
)
finally:
# make sure to close opened file handles
if should_close:
io.close()
return data
... # 省略代碼
瀏覽一下ExcelFile類(還在_base.py中)的代碼, 這個類會根據文件類型選擇引擎, 我讀取的是xlsx文件, 所以會跳轉到openpyxl并把所有的參數傳遞過去, 這個類不用處理. 下面跳轉到_openpyxl.py中看一下OpenpyxlReader類, 這個類是繼承BaseExcelReader類(在_base.py中)的, 所以還是得回去看一下BaseExcelReader, 并修改一下參數, 增加callback(如下2處).
def parse(
self,
sheet_name=0,
header=0,
names=None,
index_col=None,
usecols=None,
squeeze=False,
dtype=None,
true_values=None,
false_values=None,
skiprows=None,
nrows=None,
na_values=None,
verbose=False,
parse_dates=False,
date_parser=None,
thousands=None,
comment=None,
skipfooter=0,
convert_float=True,
mangle_dupe_cols=True,
callback = None, # 增加callback參數
**kwds,
):
... # 省略代碼
for asheetname in sheets:
if verbose:
print(f"Reading sheet {asheetname}")
if isinstance(asheetname, str):
sheet = self.get_sheet_by_name(asheetname)
else: # assume an integer if not a string
sheet = self.get_sheet_by_index(asheetname)
data = self.get_sheet_data(sheet, convert_float, callback) # 傳遞callback參數給get_sheet_data方法
usecols = maybe_convert_usecols(usecols)
... # 省略代碼
好了, 終于到重點了, 我們跳轉到get_sheet_data方法, 并做對應修改(方法參數, 獲取總行數, 調用回調函數). 思路非常清晰, 通過一頓操作, 終于千里迢迢把callback給一層層傳遞過來了, 所以在一行行讀取excel時, 可以調用并顯示進度了.
def get_sheet_data(self, sheet, convert_float: bool, callback) -> List[List[Scalar]]: # 傳遞參數增加callback
# GH 39001
# Reading of excel file depends on dimension data being correct but
# writers sometimes omit or get it wrong
import openpyxl
# 獲取sheet的總行數
max_row = sheet.max_row
print("sheet_max_row:", sheet.max_row)
version = LooseVersion(get_version(openpyxl))
# There is no good way of determining if a sheet is read-only
# https://foss.heptapod.net/openpyxl/openpyxl/-/issues/1605
is_readonly = hasattr(sheet, "reset_dimensions")
if version >= "3.0.0" and is_readonly:
sheet.reset_dimensions()
data: List[List[Scalar]] = []
last_row_with_data = -1
for row_number, row in enumerate(sheet.rows):
# 調用回調函數
if callback is not None:
callback(row_number+1, max_row)
converted_row = [self._convert_cell(cell, convert_float) for cell in row]
if not all(cell == "" for cell in converted_row):
last_row_with_data = row_number
data.append(converted_row)
# Trim trailing empty rows
data = data[: last_row_with_data + 1]
if version >= "3.0.0" and is_readonly and len(data) > 0:
# With dimension reset, openpyxl no longer pads rows
max_width = max(len(data_row) for data_row in data)
if min(len(data_row) for data_row in data) max_width:
empty_cell: List[Scalar] = [""]
data = [
data_row + (max_width - len(data_row)) * empty_cell
for data_row in data
]
return data
運行測試
運行一下main.py, 效果如下, 實時顯示進度功能已經實現, 且會計算出讀取所花費的時間. 如果你是要讀取csv或者sql之類的, 也可以照貓畫虎.
優化和應用
- 前面也說過直接修改pandas源碼是非常不科學的操作, 這會破壞已有的編程環境, 且源碼換到別的機器上還得重新在修改一遍
- 也嘗試過用繼承+重寫pandas, 不過水平有限沒有成功, 希望大家指點
- 實測print進度條會非常費時間, 當然也不需要每讀一行excel都更新一次進度條, 定時(比如每秒刷一次)或者定量(每n行, 或者每1%進度刷新一次)比較合理
- 讀取大規模數據時, 頻繁調用回調函數肯定會耽誤效率, 不過如果是GUI程序或者給其他人使用的, 有實時進度肯定會改善用戶體驗, 其中優劣需要coder自己權衡
到此這篇關于pandas讀取excel時獲取讀取進度的實現的文章就介紹到這了,更多相關pandas讀取excel讀取內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- 教你使用Pandas直接核算Excel中的快遞費用
- Python入門之使用pandas分析excel數據
- pandas快速處理Excel,替換Nan,轉字典的操作
- pandas讀取excel,txt,csv,pkl文件等命令的操作
- python pandas模糊匹配 讀取Excel后 獲取指定指標的操作
- pandas針對excel處理的實現
- 關于Python 解決Python3.9 pandas.read_excel(‘xxx.xlsx‘)報錯的問題
- 解決使用Pandas 讀取超過65536行的Excel文件問題
- 利用Python pandas對Excel進行合并的方法示例
- Python pandas對excel的操作實現示例
- pandas to_excel 添加顏色操作
- 解決python pandas讀取excel中多個不同sheet表格存在的問題
- Python pandas如何向excel添加數據
- pandas中的ExcelWriter和ExcelFile的實現方法
- pandas實現excel中的數據透視表和Vlookup函數功能代碼
- Python使用Pandas讀寫Excel實例解析
- pandas將多個dataframe以多個sheet的形式保存到一個excel文件中
- 利用python Pandas實現批量拆分Excel與合并Excel
