最近做了一个实验，实验得到的结果是一个个的表格，我们需要通过表格做一个topn，然后进行分析。
首选我们先阐述一下我们做topn的基本过程：
概况：我们总共词向量个数为4个，神经网络模型是5个，一共有20种组合，对于每种组合我们做5遍，对于每一种组合的每一遍我们都会经过test.py文件获得三个表格，分别是
[str(number)+“prob”+model_name+"_id.csv",str(number)+“prob”+model_name+"_label.csv",str(number)+“prob”+model_name+"_data_no_weight.csv"]
合计一共会产生：455*3 = 300 个表格
我们对于产生的每3个文件可以做一个topn的统计，所以要做100张表
数量还是不小的，所以我们想着用代码实现做topn的工作
代码实现：
所以代码和上面相比无过多的变化，只不过是在主函数中多套两层循环，从而遍历词向量和神将网络的每一种组合
python的包xlwt和xlsxwriter都是比较方便创建excel文件并写入数的。
工具:python3.0+
首先，需要安装好相应的包。pip install xlwt 或pip install xlsxwriter
xlwt中：
通过xlwt.Workbook()来新建工作簿；
通过.add_sheet(“Sheet名”)来新建sheet；
通过.write(行号,列号,值)来一个单元格一个单元格地写入数据，注意，行号和列号均从0开始；
最后，通过.save(‘文件名’)来保存。
xlsxwriter中：
通过xlsxwriter.Workbook(‘新建的文件名’)来新建工作簿；
通过.add_worksheet()来新建sheet；
通过.write(行号,列号,值)来一个单元格一个单元格地写入数据，注意，行号和列号均从0开始；
最后，通过.close()来保存。
Pandas中处理Csv和Excel数据详解
典型的处理是read_csv,read_excel,to_csv,to_excel前两个是读取csv和xls文件形成对象，后两者对与读出的对象转转化为csv和xls文件。我我们读取文件后的对象可以被修改某个单元格的值，修改某行或某列的元素，但是必须要to_csv,to_xls方法到相同位置也就是打开的文件，这样我们修改才会生效，我们打开我们要修改的文件，就可以发现我我们对表格文件进行操作（pandas读取csv文件数据的方法及注意点）
Pandas读取与导出Excel、CSV文件
在使用Pandas处理数据时，常见的读取数据的方式时从Excel或CSV文件中获取，另外有时也会需要将处理完的数据输出为Excel或CSV文件。今天就一起来学习下Pandas常见的文件读取与导出的方法。在Pandas中,并且读取得到的是一种Dframe的对象。
Excel文件读取
方法是：pd.read_excel()。具体可传参数为：
其中：
io：excel文件，可以是文件路径、文件网址、file-like对象、xlrd workbook
sheetname：返回指定的sheet，参数可以是字符串（sheet名）、整型（sheet索引）、list（元素为字符串和整型，返回字{‘key’:’sheet’}）、none（返回字典，全部sheet）
header：指定数据表的表头，参数可以是int、list of ints，即为索引行数为表头
names：返回指定name的列，参数为array-like对象。
index_col：设定索引的列，参数可以是int、list of ints
usecol：设定需要解析的列，默认为None，代表解析素有，如果直传一个int，代表解析到最后的那个列，如果传的是list则返回的是限定的列，比如：“A:E”或“A,C,E:F”
squeeze：如果解析的数据只包含一列数据，则返回一个Series，默认返回为Dataframe
dtype：可以制定每列的类型，示例：{‘a’: np.float64, ‘b’: np.int32}
engine：如果 io 不是缓冲区或路径，则必须设置 io。 可接受的值是 None 或 xlrd
converters：自定形式，设定对应的列要用的转换函数。
true_values：设定安歇为True值，不常用
false_values：设定哪些为False值，不常用
shiprows：需要跳过的行，list-like类型
nrows：要分析的行数
na_values：N/A值列表
parse_dates：传入的是list，将指定的类解析为date格式
date_parser：指定将输入的字符串转换为可变的时间数据。Pandas默认的数据读取格式是‘YYYY-MM-DD HH:MM:SS’。如需要读取的数据没有默认的格式，就要人工定义。
thousands：千位分格数字的解析
comment：设定注释标识，在注释内的内容不解析
skipfooter：跳过末尾行
convert_float：将小数位为0的float类型转为int
**kwds：不清楚
该函数返回pandas中的Dataframe或dict of Dataframe对象，利用Dataframe的相关操作即可读取相应的数据。
该函数主要的参数为io、sheetname、header、names、encoding。encoding在上面的参数说明中没有介绍到，其主要功能是指定用何种编码（codecs 包中的标准字符集）读取数据。
例如读取文件时报如下错误：
解决办法为设置encoding=”utf_8_sig” 或 encoding=”cp500″ 或 encoding=”gbk”，需要自行进行尝试。
加载CSV文件
在Pandas中，Excel文件读取方法是：pd.read_csv()。具体可传参数为：
与read_excel不同的参数有：
filepath_or_buffer：这里可以接受一个文件名，或者一个URL，也可以接受一个打开的文件句柄，或者其他任何提供了read方法的对象。
sep和delimiter：这两个参数是一个意思，delimiter是sep的别名；如果指定为 （制表符）的话，就可以实现read_table的默认功能；支持使用正则表达式来匹配某些不标准的CSV文件
mangle_dupe_cols：将冲虚的列X，指定为1，X.2，…
skipinitialspace：在分隔符后跳过空格。
keep_default_na：在解析数据时是否要包含默认的 NaN 值。
na_filter：检测丢失的值标记(空字符串和 na 值的值)。 在没有 NAs 的数据中，通过过滤器 False 可以提高读取大文件的性能
verbose：指示放置在非数字列中的 NA 值的数目
skip_blank_lines：如果是真的，跳过空白行，而不是将其解释为 NaN 值。
infer_datetime_format：如果启用 True 和 parse_dates，Pandas将尝试推断列中的差异的时间字符串的格式，如果可以推断出来，则切换到更快的分析方法。 在某些情况下，这可以使解析速度提高5-10倍。
keep_date_col：解析出日期序列后，是否保留原来的列
dayfirst：日期格式，DD/MM哪个在前
iterator：返回 TextFileReader 对象用于迭代或 get chunk ()。
chunksize：返回 TextFileReader 对象进行迭代。 有关iterator和chunksize的更多信息，请参见 IO 工具文档。
compression：用于磁盘数据的实时解压
decimal：识别有小数点的字符
lineterminator：字符将文件分隔程行，只有C解析器才有效
quotechar：用于表示引用项的开始和结束的字符。 引用的项可以包括分隔符，它将被忽略。
quoting：控制字段引用行为
escapechar：跳过的字符？
dialect：如果提供了这个参数，这个参数将覆盖以下参数的值(默认或不是) : 分隔符、双引号、 escapechar、 skipinitialspace、 quotechar 和引号。 如果需要重写值，将发布一个 ParserWarning。 详情请参阅 csv 方言文档。
tupleize_cols：在列上留下一个元组列表(默认情况是在列上转换为多索引)
error_bad_lines：有太多字段的行(例如 csv 行，有太多逗号)将默认引发异常，并且不会返回 Dataframe。 如果错误，那么这些”bad lines”将从返回的 Dataframe 中删除。
warn_bad_lines：如果错误错误行为是 False，并警告错误行是 True，那么对于每个”坏行”的警告将是输出。
doublequote：指定 quotechar 时，引用不是QUOTE_NONE，指示是否将两个连续的 quotechar 元素解释为一个单独的 quotechar 元素。
delim_whitespace：设定是否使用空白做字段区隔
low_memory：内部处理文件的块，导致较低的内存使用同时分析，但可能混合类型推理。 为了确保没有混合类型设置 False，或指定具有 dtype 参数的类型。 请注意，整个文件被读入一个单一的 Dataframe，使用 chunksize 或 iterator 参数将数据以块的形式返回。 (只有 c 解析器有效)
memory_map：如果为文件或缓冲区提供一个文件程序，将文件对象直接映射到内存中，并直接从内存访问数据。 使用此选项可以提高性能，因为不再有任何 i / o 开销。
float_precision：指定 c 引擎应用于浮点值的转换器。
加载CSV文件的方法同加载Excel类似。但是从性能上导入csv要比导入Excel快很多，收益推荐使用csv导入。但是如果 导入的csv的格式存在一些问题，则可能出现错行的问题。
另外，除了导入CSV、Excel外，Pandas还支持如下方式导入：
read_sql(query, connection_object)：从SQL表/库导入数据
read_json(json_string)：从JSON格式的字符串导入数据
Dataframe(dict)：从字典对象导入数据，Key是列名，Value是数据
read_html(url)：解析URL、字符串或者HTML文件，抽取其中的tables表格
read_clipboard()：从你的粘贴板获取内容，并传给read_table()
read_table(filename)：从限定分隔符的文本文件导入数据
这里有必要重点学习的是pd.read_sql(query, connection_object)，规划将在后面的学习中分享。
导出到Excel文件
导出到Excel的方法非常的简单：
具体导出方法还有众多参数：
参数含义为：
excel_writer：写入的目标excel文件，可以是文件路径、ExcelWriter对象;
sheet_name：被写入的sheet名称，string类型，默认为’sheet1′;
na_rep：缺失值表示，string类型;
float_format：浮点数的格式
columns：要写入的列
header：是否写表头信息，布尔或list of string类型，默认为True;
index：是否写行号，布尔类型，默认为True;
index_label：索引标签
startrow：开始行，其余会被舍弃
startcol：开始列，其余会被舍弃
engine：写入的引擎，可以是：excel.xlsx.writer, io.excel.xls.writer, io.excel.xlsm.writer
merge_cells：合并单元格配置
encoding：指定写入编码，string类型。
inf_rep：指定数学符号无穷在Excel的表示
verbose：未知
freeze_panes：冻结窗格
导出到CSV文件
导出方法同Excel类型，具体方法参数为：
具体参数含义为（与“导入CSV文件”、“导出为Excel文件”重复的内容不再单独说明）：
path_or_buf：写入的文件名或文件路径
mode：写入文件的模式，默认为w，改为a为追加。
date_format：时间格式设定
Pandas还支持的导出方式有：
to_sql(table_name, connection_object)：导出数据到SQL表
to_json(filename)：以Json格式导出数据到文本文件
df.to_sql将在后面的学习中再做分享。
追加列
现在我们已经学会了如何从文件中读取数据并转化为对象的形式，并且把我们改变好的对象，再转化为表格文件，所以如何对我们的对象进行操作就变得至关重要。我们做topn的时候是把三个表格文件中的每一类都添加到我我们的topn文件当中，但是再网上并未寻求到明确的答案，我从文章中下列代码得到启发，并且改篇文章也提到了追加行的写法
追加行
同为excel文件
同为csv文件
法一：
EXCEL的数值排序功能还是挺强大的，升序、降序，尤其自定义排序，能够对多个字段进行排序工作。
那么，在Python大法中，有没有这样强大的排序功能呢？答案是有的，而且本人觉得Python的排序功能，一点不比EXCEL的差。
同样，我们依然用到的是强大的pandas这个三方库。我们先将numpy和pandas导入进来：
假如我有这样一个需求：先按照身高降序排序，若存在相同的身高，则再按照武力来降序排序，可以做到吗？
当然可以，我们只需要在by参数里传入列标签组成的列表即可。
关于sort_values这个强大的排序函数就介绍到这了。除了这些参数之外，它还有inplace、kind和na_position等参数来应对不同的排序需求。可以参考官网文档进行学习
法2
excel表数据如下
1、商品单价按降序排列
会用到pandas中的排序方法sort_values（），表示根据某一列排序。
表示pd按照A这个字段排序，inplace默认为False,如果该值为True，那么就会在当前的dataframe上操作。
ascending 默认等于True，按从小到大排列，改为False 按从大到小排。
双重排序的话就要在by后边借一个list
这样确定按照 是否值得排序的，但是单价没有按照降序的要求来排列。可以这样给ascending也加一个list 值得=True 单价=False，这样就得到了想要的数据。
最近在用包xlrd读取excel表格内容，自然就用到了open_workbook方法，先将其具体用法详解如下(注释已经写的很详细了)，直接上代码如下：
wb = xlrd.open_workbook(“file.xls”) #打开Excel文件
sheet = wb.sheet_by_name(“Sheet1”) #通过sheet名字获取工作sheet
sheet = wb.sheet_by_index(0) #通过索引号获取工作表sheet，从0开始
ncols=sheet.ncols #获取工作表中列数
nrows=sheet.nrows #获取工作表行数
raw_i=sheet.row_values(i):#获取工作表中某一行的值，结果为列表形式。从0开始：0–第一行
col_i=sheet.col_values(i):#获取工作表中某一列的值，结果为列表形式。从0开始：0–第一列
for i in range(ncols): #获取全部列的值(行亦如此)
print(sheet.col_values(i))
cell_value=sheet.cell(行，列).value #获取单元格的值
cell_value=sheet.row(i)[j].value #获取工作表中(i+1行，j+1列)的值
python将列表数据写入已有的excel文件的指定单元格
第一种方法要用到xlwt、xlutils、xlrd三个第三方库。
需要注意的是，第一种方法操作的是97-2003版的excel文件，也就是后缀名是xls的，如果操作的是xlsx文件，则会出错。
第二种方法要用到openpyxl库。
原excel文件内容如下：
显然，第二种方法比第一种方法要方便得多。第二种方法对xlsx文件也是可以处理的。需要注意的是，sh.cell(i+1,3,a[i-1])这一行代码当中，索引号和实际工作表中的索引号是一样的，也就是说cell(1,2)就表示实际第1行第2列的单元格。
对与xls文件还可以采用下面方法：
写入多个sheet
多个数据需要写入多个excel的工作簿，这时需要调用通过ExcelWriter()方法打开一个已经存在的excel表格作为writer，然后通过to_excel()方法将需要保存的数据逐个写入excel，最后关闭writer。
示例代码如下：
Python模块xlwt对excel进行特别的写入操作
Python 读写excel、csv文件的操作办法
1、excel 写入
2、excel读取
3、写入csv
4、读取csv
链接：https://www.jianshu.com/p/61d41c27e76b