Python对大量表格文件加以数据截取、逐行求差、跨文件合并等处理的方法

news2025/1/19 14:15:11

本文介绍基于Python语言，针对一个文件夹下大量的Excel表格文件，基于其中每一个文件，首先依据某一列数据的特征截取我们需要的数据，随后对截取出来的数据逐行求差，并基于其他多个文件夹中同样大量的Excel表格文件，进行数据跨文件合并的具体方法。

首先，我们来明确一下本文的具体需求。现有一个文件夹，其中有大量的Excel表格文件（在本文中我们就以.csv格式的文件为例），且每一个文件的名称都表示该文件对应的数据源点的ID；如下图所示。

其中，每一个Excel表格文件都有着如下图所示的数据格式；其中的第1列，是表示天数的时间数据，每一行数据之间的时间跨度是8天。

我们希望实现的是，首先对于这个文件夹中的每一个文件，都截取出其中天数在2022001（也就是2022年第1天）及之后的部分；随后，对截取出来的数据的各列（除了第1列，因为第1列是表示时间的数据）加以逐行求差——例如，用2022009的数据减去2022001的数据，随后用2022017的数据减去2022009的数据，并将差值作为新的几列放在原有的几列后面；还有，我们还希望从当前文件的文件名、以及第1列的天数中，提取出一些关键信息，作为新的列放在后面（我这里是希望生产一个深度神经网络回归的训练数据，所以就需要组合各类的数据）。此外，我们还有2个文件夹，其中有着同样大量、同样文件命名规则、同样数据格式的数据，我们希望将这2个文件夹中与当前文件夹中每一个同名的文件中的同一天的数据合并。

了解了需求，我们就可以开始代码的书写。本文用到的代码如下所示。

# -*- coding: utf-8 -*-
"""
Created on Thu May 18 11:36:41 2023

@author: fkxxgis
"""

import os
import numpy as np
import pandas as pd

original_path = "E:/01_Reflectivity/99_Model_Training/00_Data/02_Extract_Data/17_HANTS"
era5_path = "E:/01_Reflectivity/99_Model_Training/00_Data/03_Meteorological_Data/02_AllERA5"
history_path = "E:/01_Reflectivity/99_Model_Training/00_Data/02_Extract_Data/18_AllYearAverage_2"
output_path = "E:/01_Reflectivity/99_Model_Training/00_Data/02_Extract_Data/19_2022Data"

era5_files = os.listdir(era5_path)
history_files = os.listdir(history_path)

for file in os.listdir(original_path):
    file_path = os.path.join(original_path, file)
    
    if file.endswith(".csv") and os.path.isfile(file_path):
        point_id = file[4 : -4]
        
        df = pd.read_csv(file_path)
        filter_df = df[df["DOY"] >= 2022001]
        filter_df = filter_df.reset_index(drop = True)
        filter_df["blue_dif"] = filter_df["blue"].diff()
        filter_df["green_dif"] = filter_df["green"].diff()
        filter_df["red_dif"] = filter_df["red"].diff()
        filter_df["inf_dif"] = filter_df["inf"].diff()
        filter_df["si1_dif"] = filter_df["si1"].diff()
        filter_df["si2_dif"] = filter_df["si2"].diff()
        filter_df["NDVI_dif"] = filter_df["NDVI"].diff()
        filter_df["PointType"] = file[4 : 7]
        filter_df["days"] = filter_df["DOY"] % 1000
        
        for era5_file in era5_files:
            if point_id in era5_file:
                era5_df = pd.read_csv(os.path.join(era5_path, era5_file))
                
                rows_num = filter_df.shape[0]
                for i in range(rows_num):
                    day = filter_df.iloc[i, 0]
                    row_need_index = era5_df.index[era5_df.iloc[ : , 1] == day]
                    row_need = row_need_index[0]
                    sola_data_all = era5_df.iloc[row_need - 2 : row_need, 2]
                    temp_data_all = era5_df.iloc[row_need - 6 : row_need - 2, 3]
                    prec_data_all = era5_df.iloc[row_need - 5 : row_need - 1, 4]
                    soil_data_all = era5_df.iloc[row_need - 6 : row_need - 2, 5 : 7 + 1]
                    sola_data = np.sum(sola_data_all.values)
                    temp_data = np.sum(temp_data_all.values)
                    prec_data = np.sum(prec_data_all.values)
                    soil_data = np.sum(soil_data_all.values)
                    filter_df.loc[i, "sola"] = sola_data
                    filter_df.loc[i, "temp"] = temp_data
                    filter_df.loc[i, "prec"] = prec_data
                    filter_df.loc[i, "soil"] = soil_data
                break
            
        for history_file in history_files:
            if point_id in history_file:
                history_df = pd.read_csv(os.path.join(history_path, history_file)).iloc[ : , 1 : ]
                history_df.columns = ["blue_h", "green_h", "red_h", "inf_h", "si1_h", "si2_h", "ndvi_h"]
                break
        
        filter_df_new = pd.concat([filter_df, history_df], axis = 1)
                
        output_file = os.path.join(output_path, file)
        filter_df_new.to_csv(output_file, index = False)

代码中首先定义了几个文件夹路径，分别是原始数据文件夹（也就是本文开头第1张图所示的文件夹）、ERA5气象数据文件夹、历史数据文件夹和输出文件夹。然后，通过 os.listdir() 函数获取了ERA5气象数据文件夹和历史数据文件夹中的所有文件名，并在后续的循环中使用。

接下来是一个 for 循环，遍历了原始数据文件夹中的所有.csv文件，如果文件名以 .csv 结尾并且是一个合法的文件，则读取该文件。然后，根据文件名提取了点ID，并使用Pandas中的 read_csv() 函数读取了该文件的数据。接着，使用Pandas中的 loc[] 函数对数据进行了处理，包括筛选出DOY大于等于 2022001 的行，将其重置索引，并计算了反射率数据的差值。然后，将一些元数据添加到筛选后的数据中，包括点类型和天数。

接下来是两个 for 循环，分别用于处理ERA5气象数据和历史数据。在处理ERA5气象数据时，首先找到与当前点ID匹配的ERA5气象数据文件，并使用Pandas中的 read_csv() 函数读取了该文件的数据。然后，使用 iloc[] 函数根据当前日期找到了ERA5气象数据中对应的行，并从该行及其前两行中提取了太阳辐射、温度、降水和土壤湿度数据。最后，将这些数据添加到筛选后的数据中。

在处理历史数据时，首先找到与当前点ID匹配的历史数据文件，并使用Pandas中的 read_csv() 函数读取了该文件的数据。然后，使用 iloc[] 函数删除了第一列，并将剩余列重命名为blue_h、green_h、red_h、inf_h、si1_h、si2_h 和 ndvi_h。最后，使用Pandas中的 concat() 函数将筛选后的数据和历史数据合并成一个新的DataFrame。