• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • JavaScript
  • Excel

Guardar y leer archivos Excel en Julia (18ª parte – ¡Hola Julia!)

septiembre 10, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 5 minutos

En la entrada anterior se vio cómo trabajar con archivos CSV en Julia, para lo que se vio en paquete CSVFiles. Ahora vamos a ver cómo trabajar archivos Excel en Julia. Para lo que vamos a ver dos paquetes diferentes ExcelFiles.jl y XLSX.jl. El paquete ExcelFiles.jl pertenece al Queryverse, por lo que su funcionamiento es muy similar al de CSVFiles.js. Lo que facilita su aprendizaje. Aunque, en el momento de publicación de esta entrada carece de algunas características, por lo que también veremos cómo trabajar con XLSX.jl.

ExcelFiles.jl

El paquete ExcelFiles no está entre los paquetes estándar de Julia, por lo que es necesario instalarlo. Para ello se usa el mismo proceso que en ocasiones anteriores. Cargando el paquete Pkg y ejecutando el método .add() con el nombre del paquete a instalar: Pkg.add("ExcelFiles").

Guardar un DataFrame en un archivo con ExcelFiles

La facilidad de uso del paquete DataFrame se puede ver en el siguiente código de ejemplo.

using DataFrames
using ExcelFiles

clients = DataFrame(
    id=[1,2,3,4,5],
    first_name=["Oralie" ,"Imojean" ,"Michele", "Ailbert", "Stevy"],
    last_name=["Fidgeon" ,"Benet" ,"Woodlands", "Risdale", "MacGorman"],
    age=[30 ,21 ,missing ,22, 24])

save("clients.xlsx", clients)

En el que se importaron los paquetes DataFrames y ExcelFiles, posteriormente se creó un DataFrame y se guardó con el comando save(). Al que únicamente se le debe pasar el nombre del archivo con extensión y el objeto a guardar. Sin el nombre de la hoja que actualmente es posible indicarlo.

Siempre se puede cargar el archivo y observar que el contenido se ha guardado correctamente en Excel.

Publicidad


Archivo Excel creado con Julia
Archivo Excel creado con Julia

Para aquellos que han leído la entrada anterior, pueden ver que solamente se ha cambiado la importación de CSVFiles por ExcelFiles y la extensión del archivo. El resto de código es igual. Lo que nos enseña que los paquetes de Queryverse tienen una misma API que hace sencillo su aprendizaje y uso.

Cargar un archivo Excel con ExcelFiles en un DataFrame

La función para cargar un archivo Excel en Julia con ExcelFiles es también muy sencillo. Simplemente se debe usar la función load() con el nombre del archivo y de la hoja. Siendo obligatorio incluir el nombre de la hoja.

df = load("clients.xlsx", "Sheet1")
5x4 Excel file
id  │ first_name │ last_name │ age 
────┼────────────┼───────────┼─────
1.0 │ Oralie     │ Fidgeon   │ 30.0
2.0 │ Imojean    │ Benet     │ 21.0
3.0 │ Michele    │ Woodlands │ #NA 
4.0 │ Ailbert    │ Risdale   │ 22.0
5.0 │ Stevy      │ MacGorman │ 24.0

XLSX.jl

ExcelFiles es un paquete muy sencillo de manejar, pero tienen algunos problemas. No pude guardar los datos en múltiples hojas en un libro. Algo que sí pude hacer XLSX.jl.

XLSX tampoco es un paquete estándar de Julia, por lo que es necesario instalarlo como el caso anterior. Simplemente ejecutado en comando: Pkg.add("XLSX").

Cargar un archivo Excel con XLSX.jl en un DataFrame

El proceso para cargar el contenido de una hoja de un libro Excel con XLSX es algo más complicado. Es necesario cargarlo como tabla y convertirlo en un DataFrame, para lo que se pude usar el siguiente código.

Publicidad


using XLSX

df = DataFrame(XLSX.readtable("clients.xlsx", "Sheet1")...)

En este ejemplo, se han cargado los datos con el método readtable() indicando el nombre de archivo y la hoja. Posteriormente se ha convertido el objeto tabla en un DataFrame expandiendo la tabla con ... y utilizando el constructor. Con lo que se obtiene los datos de la hoja de cálculo.

Importante: no olvidar los ... a la hora de convertir una tabla en un DataFrame.

Guardar un DataFrame en un archivo con ExcelFiles

Una de las ventajas de XLSX.jl es que se le puede indicar el nombre de la hoja a guardar. Además, se puede guardar más de un objeto en la misma instrucción. Aunque el paquete no funciona directamente con DataFrames, es posible transformar los datos. Por ejemplo, si se desea guardar en dos hojas los datos de los clientes se tiene que hacer.

XLSX.writetable("clients2.xlsx",
    clients_1=( collect(DataFrames.eachcol(clients)), DataFrames.names(clients) ),
    clients_2=( collect(DataFrames.eachcol(clients)), DataFrames.names(clients) ))

En donde se usa el método writetable() al que se le indica el nombre del archivo y tantas propiedades como se deseen con los datos. Datos que se tiene que, en caso de ser DataFrames, es necesario extraer las columnas y sus nombres.

Archivo Excel con múltiples hojas creado con Julia
Archivo Excel con múltiples hojas creado con Julia

Acceso a los elementos de las hojas de cálculo

XLSX.js permite cargar un archivo Excel y acceder a él como si se estuviese trabajando en una hoja de cálculo. Pudiendo acceder a las celdas mediante las coordenadas. Para lo que podemos usar el método readxlsx() con el nombre del archivo. Métodos para crear un objeto con el libro, con el que es posible acceder a una hoja con el nombre de esta. En la hoja se puede acceder a los elementos utilizando la sintaxis estándar de las hojas de cálculo. Por ejemplo, para acceder al rango A2:D3 solamente se tiene que escribir.

Publicidad


using XLSX

wb = XLSX.readxlsx("clients.xlsx")
ws = wb["Sheet1"]
ws["A2:D3"]
2×4 Array{Any,2}:
 1  "Oralie"   "Fidgeon"  30
 2  "Imojean"  "Benet"    21

Lo bueno es que si no conocemos el nombre de las hojas se puede preguntar con el método sheetnames().

XLSX.sheetnames(wb)
1-element Array{String,1}:
 "Sheet1"

Finalmente, al terminar el trabajo con el archivo, es necesario cerrar la conexión.

XLSX.close(wb)

Posibilidades a la hora de trabajar con archivos Excel en Julia

Además de los paquetes que se han visto en esta entrada, también existen otros como Taro.jl que también permiten trabajar con archivos Excel en Julia. Con lo que siempre vamos a tener la opción de trabajar con uno que sea cómodo para nosotros.

En el aspecto de sencillez destaca ExcelFiles aunque en algunos momentos le puede faltar opciones. Situaciones en las que siempre se puede usar XLSX.js

Publicaciones de la serie ¡Hola Julia!

  1. ¡Hola Julia!
  2. Primeros pasos con Julia
  3. Cadenas de texto en Julia
  4. Bucles en Julia
  5. Funciones en Julia
  6. Vectores, tuplas y diccionarios en Julia
  7. Estructuras en Julia
  8. Utilizar los tipos en Julia
  9. Tipos de datos en Julia
  10. Tipos y funciones paramétricos en Julia
  11. Introducción a los DataFrames en Julia
  12. Obtener información básica de los DataFrames de Julia
  13. El tipo de dato Missing de Julia
  14. Columnas en DataFrames de Julia
  15. Filas en DataFrames de Julia
  16. Combinar DataFrames en Julia
  17. Guardar y leer archivos CSV en Julia
  18. Guardar y leer archivos Excel en Julia
  19. Introducción a Genie
  20. Libros sobre Julia

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

Publicidad


Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Filas en DataFrames de Julia (15ª parte – ¡Hola Julia!)
    Filas en DataFrames de Julia (15ª parte – ¡Hola Julia!)
  • Bucles en Julia (4ª parte - ¡Hola Julia!)
    Bucles en Julia (4ª parte - ¡Hola Julia!)
  • Obtener información básica de los DataFrames de Julia (12ª parte – ¡Hola Julia!)
    Obtener información básica de los DataFrames de Julia (12ª…
  • Introducción a los DataFrames en Julia (11ª parte – ¡Hola Julia!)
    Introducción a los DataFrames en Julia (11ª parte – ¡Hola…
  • Guardar y leer archivos CSV en Julia (17ª parte – ¡Hola Julia!)
    Guardar y leer archivos CSV en Julia (17ª parte – ¡Hola…
  • Estructuras en Julia (7ª parte – ¡Hola Julia!)
    Estructuras en Julia (7ª parte – ¡Hola Julia!)

Publicado en: Julia

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Publicidad




Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Facebook
  • GitHub
  • Instagram
  • Pinterest
  • RSS
  • Twitter
  • Tumblr
  • YouTube

Publicidad

Entradas recientes

El método de Hare-Niemeyer y su implementación en Python

septiembre 29, 2023 Por Daniel Rodríguez

Redimensionar una partición de disco LVM con espacio no asignado en Linux

septiembre 27, 2023 Por Daniel Rodríguez

¿Cómo saber la versión de Pandas o cualquier otra librería en Python?

septiembre 25, 2023 Por Daniel Rodríguez

Publicidad

Es tendencia

  • ¿Cómo cambiar el nombre de las columnas en Pandas? publicado el mayo 6, 2019 | en Python
  • Seleccionar filas y columnas en Pandas con iloc y loc publicado el junio 21, 2019 | en Python
  • pandas Pandas: Cambiar los tipos de datos en los DataFrames publicado el julio 15, 2021 | en Python
  • Numpy básico: valores mínimos y máximos en arrays Numpy publicado el octubre 23, 2019 | en Python
  • Unir y combinar dataframes con pandas en Python publicado el septiembre 10, 2018 | en Python

Publicidad

Lo mejor valorado

4.9 (22)

Seleccionar filas y columnas en Pandas con iloc y loc

4.7 (12)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.6 (15)

Archivos JSON con Python: lectura y escritura

4.5 (10)

Diferencias entre var y let en JavaScript

4.3 (12)

Ordenación de diccionarios en Python mediante clave o valor

Publicidad

Comentarios recientes

  • Daniel Rodríguez en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • Miguel en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • alberto en Resolver problema de credenciales en Bitbucket
  • Pablo en Aplicar el método D’Hondt en Excel
  • Agapito en Creación de un EXE desde un archivo Python en Windows

Publicidad

Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2023 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto