pandas读Excel写库总结

import pandas
import pymongo

# pandas读Excel,读出的数据类型是<class 'pandas.core.frame.DataFrame'>
data = pandas.read_excel('信立坦病例分配.xlsx', sheet_name=0)
# data_frame = data.head()
# print(data_frame)  这里想打印出读到的数据,结果只打印了5行,查了下head()这个方法,详见下文
all=[]
#pandas.DataFrame.itertuples() 将DataFrame迭代为元祖
for row in data.itertuples():
    each ={}
    
    each['点评医生']=getattr(row, '点评医生')
    each['点评医生ID'] = str(getattr(row, '点评医生ID'))
    each['被点评医生ID'] = str(getattr(row, '被点评医生ID'))
    each['content_uid'] = getattr(row, 'content_uid')
    all.append(each)

print('待分配病例个数:',len(all),'待分配病例的数据是:',all)

# 连接Mongo数据库
host = '略'
username = '略'
password = '略'
port = '27017'
db = '略'
mongo_url = 'mongodb://{0}:{1}@{2}:{3}/?authSource={4}&authMechanism=SCRAM-SHA-1'.format(username, password, host, port, db)
client = pymongo.MongoClient(mongo_url)

# 找到对应的表
collects = client["platform"]['xinlitan_collects']
found_list=[]
# 写入数据库
for e in all:
    print('将医生%s的病例%s分配给%s'%(e['被点评医生ID'],e['content_uid'],e['点评医生ID']))
    collects.update({'content_uid': e['content_uid'], 'doctor_id': e['被点评医生ID']},{'$set': {'expert_id':e['点评医生ID'] }})
# 检查是否绑定成功
#     found_list.append(collects.find({'content_uid': e['content_uid'], 'doctor_id': e['被点评医生ID']}))
    for ea in collects.find({'content_uid': e['content_uid'], 'doctor_id': e['被点评医生ID']}):
        print('医生%s的病例%s分配给了%s'%(e['被点评医生ID'],e['content_uid'],ea['expert_id']))
        if ea['expert_id']==e['点评医生ID']:
            print('绑定成功')
        else:
            print('医生%s的病例%s绑定失败'%(e['被点评医生ID'],e['content_uid']))

head()的具体实现:

def head(self, n=5):
        '''
        Return the first `n` rows.
        This function returns the first `n` rows for the object based
        on position. It is useful for quickly testing if your object
        has the right type of data in it.
        Parameters
        ----------
        n : int, default 5
            Number of rows to select.
        Returns
        -------
        obj_head : same type as caller
            The first `n` rows of the caller object.
        '''
        return self.iloc[:n]

head() 不传参数时,默认n是5,返回前五行
如果指定返回多少行,比如10行,传具体行数 head(10)

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 217,185评论 6 503
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,652评论 3 393
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 163,524评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,339评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,387评论 6 391
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,287评论 1 301
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,130评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,985评论 0 275
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,420评论 1 313
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,617评论 3 334
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,779评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,477评论 5 345
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,088评论 3 328
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,716评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,857评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,876评论 2 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,700评论 2 354