Pandas合并Excel并添加来源列技巧

“纵有疾风来，人生不言弃”，这句话送给正在学习文章的朋友们，也希望在阅读本文《Pandas合并Excel文件并添加来源列方法》后，能够真的帮助到大家。我也会在后续的文章中，陆续更新文章相关的技术文章，有好的建议欢迎大家在评论留言，非常感谢！

本教程详细介绍了如何使用Python的Pandas库高效地合并多个Excel文件到一个单一的数据框中。文章核心内容是解决在数据合并过程中，如何为每一行数据添加一个新列，以记录其原始所属的文件名，从而实现数据的可追溯性。通过清晰的代码示例和专业指导，读者将掌握利用glob和pandas实现数据整合与溯源的关键技巧。

在日常数据处理工作中，我们经常需要将分散在多个Excel文件中的数据整合到一起进行分析。一个常见的需求是，在合并数据的同时，能够追溯每一条记录的来源文件。这对于数据审计、问题排查或理解数据上下文至关重要。本文将提供一个基于Pandas库的专业解决方案，帮助您高效地完成这项任务。

核心思路与实现步骤

要实现将多个Excel文件合并并添加来源文件名列的功能，我们需要遵循以下步骤：

1. 查找目标文件：使用glob模块根据指定的模式查找所有需要合并的Excel文件。
2. 初始化合并数据框：创建一个空的Pandas DataFrame，用于存放所有合并后的数据。
3. 迭代处理每个文件：
   • 逐一读取每个Excel文件到临时的DataFrame中。
   • 在读取数据的同时，根据需求跳过特定的行（如标题行）并选择所需的列。
   • 关键步骤：为当前的临时DataFrame添加一个新列，该列的值为当前文件的完整路径或文件名。
   • 将处理后的临时DataFrame追加到主合并数据框中。
4. 保存结果：将最终合并的数据框保存到一个新的Excel文件。

详细代码实现

以下是实现上述功能的Python代码示例：

import glob
import pandas as pd
import os # 导入os模块用于路径操作

def combine_excel_files_with_filename(input_path_pattern, output_file_path, sheet_name='Sheet1', skiprows=0, usecols=None):
    """
    合并指定路径下的所有Excel文件，并为每行数据添加来源文件名列。

    Args:
        input_path_pattern (str): 用于查找Excel文件的路径模式，例如 '../content/*.xlsx'。
        output_file_path (str): 合并后数据保存的Excel文件路径。
        sheet_name (str): 保存合并数据时的工作表名称，默认为'Sheet1'。
        skiprows (int or list-like): 读取Excel时要跳过的行数或行索引，默认为0。
        usecols (list-like or None): 读取Excel时要使用的列名或列索引，默认为None（使用所有列）。

    Returns:
        pd.DataFrame: 合并后的DataFrame。
    """

    # 使用glob查找所有匹配的Excel文件
    files = glob.glob(input_path_pattern)

    if not files:
        print(f"在路径模式 '{input_path_pattern}' 下未找到任何Excel文件。")
        return pd.DataFrame()

    combined_df = pd.DataFrame() # 初始化一个空的DataFrame用于存储合并结果

    print(f"开始处理 {len(files)} 个Excel文件...")

    for file_path in files:
        try:
            # 读取当前Excel文件
            # 注意：如果usecols是列名列表，确保这些列在所有文件中都存在，否则可能引发KeyError。
            # 这里为了与原始问题保持一致，保留了usecols和随后的列选择。
            current_df = pd.read_excel(file_path, skiprows=skiprows, usecols=usecols)

            # 确保只选择需要的列（即使usecols已指定，此步骤可用于列的重新排序或进一步筛选）
            if usecols:
                current_df = current_df[usecols]

            # 获取文件名（不含路径）作为列值
            # 或者使用完整路径：current_df['filename'] = file_path
            filename = os.path.basename(file_path)
            current_df['来源文件名'] = filename # 添加新的列，值为当前文件的文件名

            # 将当前DataFrame追加到合并的DataFrame中
            combined_df = pd.concat([combined_df, current_df], ignore_index=True)
            print(f"已处理文件: {filename}")

        except Exception as e:
            print(f"处理文件 '{file_path}' 时发生错误: {e}")
            continue # 继续处理下一个文件

    # 将合并后的DataFrame保存到新的Excel文件
    try:
        combined_df.to_excel(output_file_path, sheet_name=sheet_name, index=False)
        print(f"\n所有文件已成功合并并保存到 '{output_file_path}'。")
    except Exception as e:
        print(f"保存文件 '{output_file_path}' 时发生错误: {e}")

    return combined_df

# 示例用法：
if __name__ == "__main__":
    # 假设Excel文件位于 'content' 目录下
    # 例如：../content/file1.xlsx, ../content/file2.xlsx
    input_pattern = r'../content/*.xlsx'
    output_file = "../content/multiplesheet_combined.xlsx"

    # 假设原始问题中的列名
    target_columns = ['Уровень','Код WBS','Код','Тип','Название']

    # 调用函数执行合并
    final_combined_df = combine_excel_files_with_filename(
        input_path_pattern=input_pattern,
        output_file_path=output_file,
        skiprows=1, # 根据原始问题，跳过第一行
        usecols=target_columns # 使用指定的列
    )

    if not final_combined_df.empty:
        print("\n合并后的数据框前5行：")
        print(final_combined_df.head())

代码解析

• import glob: 导入glob模块，用于查找符合特定模式的文件路径。例如'../content/*.xlsx'会匹配../content/目录下所有以.xlsx结尾的文件。
• import pandas as pd: 导入Pandas库，它是Python中进行数据分析的核心库。
• import os: 导入os模块，用于操作系统相关的路径操作，例如os.path.basename()可以从完整路径中提取文件名。
• glob.glob(input_path_pattern): 找到所有符合模式的文件路径列表。
• pd.DataFrame(): 初始化一个空的DataFrame，作为最终合并数据的基础。
• pd.read_excel(file_path, skiprows=skiprows, usecols=usecols): 读取单个Excel文件。
  • file_path：当前Excel文件的路径。
  • skiprows：指定读取时跳过的行数。例如skiprows=1会跳过第一行。
  • usecols：指定要读取的列。可以是列名列表或列索引列表。
• current_df['来源文件名'] = filename: 这是实现核心功能的关键行。它在当前读取的current_df中添加了一个名为'来源文件名'的新列，并将当前文件的文件名（通过os.path.basename(file_path)获取）赋给这一列的所有行。如果您需要完整的文件路径而非仅仅文件名，可以直接使用current_df['来源文件名'] = file_path。
• pd.concat([combined_df, current_df], ignore_index=True): 将处理后的current_df追加到combined_df中。ignore_index=True参数会重置合并后数据框的索引，避免出现重复索引。
• combined_df.to_excel(output_file_path, sheet_name=sheet_name, index=False): 将最终合并的DataFrame保存为Excel文件。index=False表示不将DataFrame的索引写入Excel文件。

注意事项

1. 文件路径与模式：确保input_path_pattern能够正确匹配到所有目标Excel文件。使用相对路径（如../content/*.xlsx）或绝对路径取决于您的项目结构。
2. 列名一致性：如果使用usecols指定列名，请确保这些列名在所有待合并的Excel文件中都存在且拼写一致，否则pd.read_excel或后续的列选择可能会引发错误。
3. 内存管理：对于非常大量的Excel文件或单个文件非常大的情况，循环中使用pd.concat可能会导致性能问题，因为每次concat都会创建新的DataFrame。更优的实践是先将所有读取的DataFrame存储在一个列表中，然后在循环结束后一次性使用pd.concat合并整个列表，例如：

   all_dfs = []
   for file_path in files:
       current_df = pd.read_excel(...)
       current_df['来源文件名'] = os.path.basename(file_path)
       all_dfs.append(current_df)
   combined_df = pd.concat(all_dfs, ignore_index=True)

   这种方式通常更高效。

4. 错误处理：在实际应用中，建议添加更健壮的错误处理机制，例如使用try-except块捕获文件读取或处理过程中可能出现的异常（如文件损坏、权限问题等），以提高程序的鲁棒性。
5. 索引重置：pd.concat函数中的ignore_index=True参数非常重要，它确保合并后的DataFrame拥有一个连续的、不重复的索引，这对于后续的数据分析非常有利。

总结

通过本教程，您已经掌握了如何使用Python的Pandas库高效地合并多个Excel文件，并为合并后的数据添加来源文件名列。这个功能在数据集成和可追溯性方面具有重要意义。通过灵活运用glob进行文件查找、pd.read_excel进行数据读取、以及巧妙地利用Pandas的列赋值特性，您可以轻松地处理日常工作中遇到的类似数据整合需求。请根据您的具体场景调整代码中的文件路径、跳过行数和目标列名，以达到最佳效果。

今天带大家了解了的相关知识，希望对你有所帮助；关于文章的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~