Python pandasを使用してExcelファイルから下位/上付き文字を読み取る

Question

Excelファイルから書式設定されたテキストを読み込もうとしています。それは一連の反応から成り、いくつかの反応物は下付き文字を有し、他のものは上付き文字を有する。私は上付き文字と下付き文字を区別するのに苦労しています。例えば

、反応物があると言う：私は

O2+

と区別したい

O2+

ここに関連する質問があります。このことから Usage of unicode() and encode() functions in Python

は、私が思いました多分私はユニコードに文字列を変換する必要がありますが、パンダは、上付き文字/下付き文字をまったく読み取っていないようです。

Answer 1

パンダはxlrdを使用してExcelファイルを読み込みますが、残念ながらxlrdはセル内で使用されている書式設定を解析しません。

openpyxlパッケージでは文字列の書式設定を処理できますが、古い.xls書式の場合のみです。おそらく、基礎となるXMLデータを調べるカスタムパーサを記述する必要があります。

.xlsxファイルは、xmlファイルのコレクションを含むzipアーカイブです。あなたが見てする必要がある2つの

• file.xlsx/XL/sharedStrings.xml
• file.xlsx/XL /ワークシート/ sheet1.xmlている（または、あなたのシートの名前は何でも）

  最初のファイルには、文字列が含まれ、書式はです。 2番目のファイルには、シート内のセルと、それらが参照する文字列が含まれています。文字列は、sharedStrings.xmlでその順序で参照されます。ここ

  例のスクリーンキャップされたシートをエクセル：

  

  例sharedStrings.xmlファイル：

  <?xml version="1.0" encoding="UTF-8"?> 
  <sst xmlns="http://schemas.openxmlformats.org/spreadsheetml/2006/main" count="3" uniqueCount="3"> 
      <si> 
      <r> 
       <t>O</t> 
      </r> 
      <r> 
       <rPr> 
       <vertAlign val="subscript"/><sz val="11"/><color theme="1"/><rFont val="Calibri"/><family val="2"/><scheme val="minor" /> 
       </rPr> 
       <t>2</t> 
      </r> 
      <r> 
       <rPr> 
       <vertAlign val="superscript"/><sz val="11"/><color theme="1"/><rFont val="Calibri"/><family val="2"/><scheme val="minor" /> 
       </rPr> 
       <t>+</t> 
      </r> 
      </si> 
      <si> 
      <r> 
       <t>H</t> 
      </r> 
      <r> 
       <rPr> 
       <vertAlign val="subscript"/><sz val="11"/><color theme="1"/><rFont val="Calibri"/><family val="2"/><scheme val="minor" /> 
       </rPr> 
       <t>2</t> 
      </r> 
      <r> 
       <rPr> 
       <sz val="11"/><color theme="1"/><rFont val="Calibri"/><family val="2"/><scheme val="minor" /> 
       </rPr> 
       <t>O</t> 
      </r> 
      </si> 
      <si> 
      <r> 
       <t>O</t> 
      </r> 
      <r> 
       <rPr> 
       <vertAlign val="superscript"/><sz val="11"/><color theme="1"/><rFont val="Calibri"/><family val="2"/><scheme val="minor" /> 
       </rPr> 
       <t>2+</t> 
      </r> 
      </si> 
  </sst> 
  

  各<si>要素はテキストの塊です。 <r>要素は、文字と書式のセットです。 <t>の要素が実際の文字です。先行する<rPr>の要素は、スタイリング/書式設定です。 <vertAlign>要素で上付き文字と下付き文字の区別を区別できます。 sheet1.xmlの

  例：<row>要素内に含まれている<c>

  <?xml version="1.0" encoding="UTF-8"?> 
  <worksheet xmlns="http://schemas.openxmlformats.org/spreadsheetml/2006/main" xmlns:mc="http://schemas.openxmlformats.org/markup-compatibility/2006" xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" xmlns:x14ac="http://schemas.microsoft.com/office/spreadsheetml/2009/9/ac" mc:Ignorable="x14ac"> 
      <dimension ref="A1:A3" /> 
      <sheetViews> 
      <sheetView tabSelected="1" workbookViewId="0"> 
       <selection activeCell="A4" sqref="A4" /> 
      </sheetView> 
      </sheetViews> 
      <sheetFormatPr defaultRowHeight="15" x14ac:dyDescent="0.25" /> 
      <sheetData> 
      <row r="1" spans="1:1" ht="18.75" x14ac:dyDescent="0.35"> 
       <c r="A1" t="s"> 
       <v>0</v> 
       </c> 
      </row> 
      <row r="2" spans="1:1" ht="18" x14ac:dyDescent="0.35"> 
       <c r="A2" t="s"> 
       <v>1</v> 
       </c> 
      </row> 
      <row r="3" spans="1:1" ht="17.25" x14ac:dyDescent="0.25"> 
       <c r="A3" t="s"> 
       <v>2</v> 
       </c> 
      </row> 
      </sheetData> 
      <pageMargins left="0.7" right="0.7" top="0.75" bottom="0.75" header="0.3" footer="0.3" /> 
      <pageSetup orientation="portrait" r:id="rId1" /> 
  </worksheet> 
  

  電池素子。 <v>の値は、共有文字列の順序/インデックスへの参照です。そのため、セルA1は0番目のsharedStringの値を持ち、0に続いて添え字付き2と続き、上付きの+が続きます。：Excelファイルを解析を開始するには

  <si> 
  <r> 
      <t>O</t> 
  </r> 
  <r> 
      <rPr> 
      <vertAlign val="subscript"/><sz val="11"/><color theme="1"/><rFont val="Calibri"/><family val="2"/><scheme val="minor" /> 
      </rPr> 
      <t>2</t> 
  </r> 
  <r> 
      <rPr> 
      <vertAlign val="superscript"/><sz val="11"/><color theme="1"/><rFont val="Calibri"/><family val="2"/><scheme val="minor" /> 
      </rPr> 
      <t>+</t> 
  </r> 
  </si> 
  

  、あなたが使用することができます。

  import zipfile 
  from lxml import etree 
  
  z = zipfile.ZipFile('file.xlsx') 
  
  with z.open('xl/sharedStrings.xml') as fp: 
      ss = etree.fromstring(fp.read()) 
  
  with z.open('xl/worksheets/sheet1.xml') as fp: 
      sh1 = etree.fromstring(fp.read()) 
  
  z.close() 
  
  # get the namespaces 
  ssns = ss.nsmap 
  if None in ssns: 
      ssns['none'] = ssns.pop(None) 
  
  sh1ns = sh1.nsmap 
  if None in sh1ns: 
      sh1ns['none'] = sh1ns.pop(None) 
  
  text_list = ss.xpath('//none:si', namespaces=ssns) 
  cell_list = sh1.xpath('//none:c', namespaces=sh1ns) 
  

  あなたが望む形式にフォーマットを変換するパーサを記述する必要があります。