python - Pandas read_excel函数忽略dtype

Question

我正在尝试使用 pd.read_excel() 读取 excel 文件。
excel 文件有 2 列日期和时间，我想将这两列读取为 str 而不是 excel dtype。
excel文件示例

我试图指定 dtype 或转换器参数无济于事。

df = pd.read_excel('xls_test.xlsx',
                   dtype={'Date':str,'Time':str})
df.dtypes
Date    object
Time    object
dtype: object

df.head()
Date    Time
0   2020-03-08 00:00:00 10:00:00
1   2020-03-09 00:00:00 11:00:00
2   2020-03-10 00:00:00 12:00:00
3   2020-03-11 00:00:00 13:00:00
4   2020-03-12 00:00:00 14:00:00

如您所见，日期列不被视为字符串...
使用转换器时也是如此

df = pd.read_excel('xls_test.xlsx',
                   converters={'Date':str,'Time':str})
df.dtypes
Date    object
Time    object
dtype: object

df.head()
Date    Time
0   2020-03-08 00:00:00 10:00:00
1   2020-03-09 00:00:00 11:00:00
2   2020-03-10 00:00:00 12:00:00
3   2020-03-11 00:00:00 13:00:00
4   2020-03-12 00:00:00 14:00:00

我也尝试过使用其他引擎，但结果总是一样的。
dtype 参数似乎在读取 csv 时按预期工作
我在这里做错了什么？
编辑:
我忘了提，我使用的是 pandas 1.2.2 的最新版本，但在从 1.1.2 更新之前遇到了同样的问题。

Answer 1

您遇到的问题是 excel 中的单元格具有数据类型。所以这里的数据类型是日期或时间，它的格式仅用于显示。 “直接”加载它意味着加载日期时间类型*。
这意味着，无论你用 dtype= 做什么参数，数据将作为日期加载，然后转换为字符串，为您提供您看到的结果 :

>>> pd.read_excel('test.xlsx').head()
        Date      Time            Datetime
0 2020-03-08  10:00:00 2020-03-08 10:00:00
1 2020-03-09  11:00:00 2020-03-09 11:00:00
2 2020-03-10  12:00:00 2020-03-10 12:00:00
3 2020-03-11  13:00:00 2020-03-11 13:00:00
4 2020-03-12  14:00:00 2020-03-12 14:00:00
>>> pd.read_excel('test.xlsx').dtypes
Date        datetime64[ns]
Time                object
Datetime    datetime64[ns]
dtype: object
>>> pd.read_excel('test.xlsx', dtype='string').head()
                  Date      Time             Datetime
0  2020-03-08 00:00:00  10:00:00  2020-03-08 10:00:00
1  2020-03-09 00:00:00  11:00:00  2020-03-09 11:00:00
2  2020-03-10 00:00:00  12:00:00  2020-03-10 12:00:00
3  2020-03-11 00:00:00  13:00:00  2020-03-11 13:00:00
4  2020-03-12 00:00:00  14:00:00  2020-03-12 14:00:00
>>> pd.read_excel('test.xlsx', dtype='string').dtypes
Date        string
Time        string
Datetime    string
dtype: object

只有在 csv 文件中，日期时间数据才以字符串形式存储在文件中。在那里，将它“直接”作为字符串加载是有意义的。在 excel 文件中，您也可以将其加载为日期并将其格式化为 .dt.strftime()

这并不是说您无法加载格式化的数据，但您需要 2 个步骤:

加载数据

重新应用格式

格式化类型之间需要进行一些转换，您不能直接使用 pandas - 但是您可以使用 pandas 用作后端的引擎:

import datetime
import openpyxl
import re

date_corresp = {
    'dd': '%d',
    'mm': '%m',
    'yy': '%y',
    'yyyy': '%Y',
}

time_corresp = {
    'hh': '%h',
    'mm': '%M',
    'ss': '%S',
}

def datecell_as_formatted(cell):
    if isinstance(cell.value, datetime.time):
        dfmt, tfmt = '', cell.number_format
    elif isinstance(cell.value, (datetime.date, datetime.datetime)):
        dfmt, tfmt, *_ = cell.number_format.split('\\', 1) + ['']
    else:
        raise ValueError('Not a datetime cell')

    for fmt in re.split(r'\W', dfmt):
        if fmt:
            dfmt = re.sub(f'\\b{fmt}\\b', date_corresp.get(fmt, fmt), dfmt)

    for fmt in re.split(r'\W', tfmt):
        if fmt:
            tfmt = re.sub(f'\\b{fmt}\\b', time_corresp.get(fmt, fmt), tfmt)

    return cell.value.strftime(dfmt + tfmt)

然后您可以按如下方式使用它:

>>> wb = openpyxl.load_workbook('test.xlsx')
>>> ws = wb.worksheets[0]
>>> datecell_as_formatted(ws.cell(row=2, column=1))
'08/03/20'

(如果不完整，您也可以使用更多日期/时间格式项目来完成 _corresp 字典)

* 它存储为浮点数，即自 1900 年 1 月 1 日以来的天数，您可以通过将日期格式化为数字或在 this excelcampus page 上看到.