Question

问题摘要

给出2个excel文件，每个文件大约有200列，并有一个公共的索引列-即两个文件中的每一行都将具有name属性，例如，生成具有差异的excel输出文件最好从excel文件2到excel文件1。差异将定义为文件2中的任何新行，而不是文件1中的新行，并且文件2中的行具有相同的索引（名称），但一个或多个其他列不同。这里有一个很好的使用熊猫的例子可能有用：Compare 2 Excel files and output an Excel file with differences 但是，很难将该解决方案应用于具有200列的excel文件。

样本文件

下面是csv格式的2个简化（列数从200个减少到4个）excel文件的示例，索引列是Name。

Name,value,location,Name Copy
Bob,400,Sydney,Bob
Tim,500,Perth,Tim

Name,value,location,Name Copy
Bob,400,Sydney,Bob
Tim,500,Adelaide,Tim
Melanie,600,Brisbane,Melanie

因此，鉴于上述2个输入文件，输出文件应为：

Name,value,location,Name Copy
Tim,500,Adelaide,Tim
Melanie,600,Brisbane,Melanie

因此，输出文件将具有2行（不包括列标题行），第2行是file1中不存在的新行，并且第1行包含从file1到file2的更改。

以下方法有效，但是索引列丢失了（它是[1、2]，而不是['Tim'，'Melanie']：

import pandas as pd
df1 = pd.read_excel('simple1.xlsx', index_col=0)
df2 = pd.read_excel('simple2.xlsx', index_col=0)

df3 = pd.merge(df1, df2, how='right', sort='False', indicator='Indicator')
df4 = df3.loc[df3['Indicator'] == 'right_only']
df5 = df4.drop('Indicator', axis=1)

writer = pd.ExcelWriter('test.xlsx', engine='xlsxwriter')
df5.to_excel(writer, sheet_name='Sheet1')
writer.save()

Answer 1

解决方案是使用numpy.array_equal来确定行是否相等：

import sys
import pandas as pd
import numpy as np

# Check for correct number of input arguments
if len(sys.argv) != 4:
    print('Usage :\n\tpython {} old_excel_file new_excel_file  output_excel_file\n'.format(sys.argv[0]))
quit()

# Import input files into dataframes
old_file = sys.argv[1]
new_file = sys.argv[2]
out_file = sys.argv[3]
df1 = pd.read_excel(old_file, index_col=0)
df2 = pd.read_excel(new_file, index_col=0)

# Merge dataframes, maintaining index 
df_merged = pd.merge(df1, df2, left_index=True, right_index=True, how='outer', sort=False, indicator='Indicator')

# Add right-only rows to output dataframe
right_only_index = df_merged.index[df_merged['Indicator'] == 'right_only']
df_out = df2.loc[right_only_index]

# Iterate through "both" rows, and append ones that are not equal to the output dataframe
both_index = df_merged.index[df_merged['Indicator'] == 'both']
df_both = df2.loc[both_index]

for i, values in df_both.iterrows():
    if not np.array_equal(df1.loc[i].values, df2.loc[i].values):
        df_out = df_out.append(df2.loc[i])

# Write output dataframe to an Excel file (first the two header rows, and then the data rows)
writer = pd.ExcelWriter(out_file, engine='xlsxwriter')
df_out.to_excel(writer, sheet_name='Sheet1')
writer.save()

获取两个Excel文件之间的差异

问题摘要

样本文件

1 个答案: