13518219792
我们之前已经学习了xlrd这个库，这个库是读取excel表格内信息的，它并不能写入信息，这时候我们需要使用xlwt3这个库进行excel表格的写入。
成都创新互联是专业的双湖网站建设公司，双湖接单;提供网站建设、做网站,网页设计,网站设计,建网站,PHP网站建设等专业做网站服务;采用PHP框架,可快速的进行双湖网站开发网页制作和功能扩展;专业做搜索引擎喜爱的网站,专业的做网站团队,希望更多企业前来合作!
打开命令提示符，使用pip进行安装
安装完后进入下一步：
这个xlwt3的库，好像已经很久没有人维护了，所以有一个问题就是，你用pip安装的这个库，是有点问题的，需要咱们手动修改。
打开python的安装目录，就是你的python的安装位置，我的在D盘，找到D：\Python34\Lib\site-packages\xlwt3\formula.py这个文件，右键点击，使用IDLE打开
将其中的
修改为
就是把第一个" __init__ "删掉。
打开python shell
使用 import xlwt3 ，看看报不报错，没有报错说明修改成功。安装完成。
我们使用这个包主要是为了生成excel表格，将我们处理好的数据存到excel表格中。
为此，我们需要的是xlwt3里面的Workbook这个类。
先创建实例：
这样就创建完了一个实例。
我们知道，一个.xlsx文件或.xls文件称为一个工作簿，里面有好几张工作表，我们现在创建的这个Workbook()实例，它也是一个工作簿，我们要写入内容的话是要写进工作表里面的，这就需要我们创建一个工作表，工作表名是'test1'。
使用的是Workbook下属的add_sheet方法，add_sheet，新建工作表。
add_sheet(self, sheetname, cell_overwrite_ok=False)
需要注意的是，这个方法有两个参数
· 第一个是sheetname，这个是工作表的名字，必须要设置的
· 另一个参数是cell_overwrite_ok，这个参数是覆写的意思，默认是False，如果你现在要写的单元格里面，已经有内容了，就不能写了，如果你要是写的话会报错的。当然，我们在使用的时候，最好是设置成True。也就是上面的那个写法。这样对同一个单元格写入两次的话就不会报错了，当然，只会保留最后一次写入的值。
接下来可以写入信息了。
事实上，我们刚才使用add_sheet这个方法后，创建出了一个Worksheet类的实例。这个类有两个方法是我们需要使用的，一个是write，另一个是write_merge。前者用来写入一个单元格的内容，后者用来写入一个合并单元格的内容。
我们先看write方法，里面有四个参数，分别是r，c，label，style，
· r是行
· c是列
· label是内容
· style是格式
上面写的 table.write(1,0,'number') 是在第二行的第一列写入'number'这个字符串。
同理，另外两句分别是在第二行的第二列和第二行的第三列写入'name'和'score'这两个字符串。
write_merge是写合并单元格的方法
· r1是最上面的单元格所在的行数
· r2是最下面的单元格所在的行数
· c1是最左面的单元格所在的列数
· c2是最右面的单元格所在的列数
· label是要写入的内容
· style是格式
上面那个 table.write_merge(0,0,0,2,'Student information') ，是把第0行的第一列，第二列，第三列的单元格合并了，在里面写入'Student information'这个字符串。
如果我们写入信息的时候，不加style这个参数，那么里面的信息就是最普通的，没有什么格式，颜色啊，粗体啊，边框啊，什么的。
在xlwt3中，使用easyxf这个函数来设置单元格属性。
比如这句当中，我们可以看到传入了一个字符串作为参数：
'font: bold on, italic on, name 宋体, height 400, color red; align: vert centre, horiz centre; borders: top THIN,left THIN,right THIN,bottom THIN'
分解来看，这个字符串有三部分：
我们刚才不是用
创建了一个单元格属性吗，红色20号宋体，粗体，斜体，四周有边框，居中。
写入的使用加在作为style参数传入。
这样，我们就成功的设置单元格格式了。
接下来我们设置列宽。
使用这个方法就能设置列宽了，里面的0代表第一列，列宽是20。我也不知道这个列宽是怎么换算的，只要设置5293的话就是20，大家可以根据换算设置自己想要的列宽。
最后一步，保存我们建立的工作簿。
这里面就一个参数，你要保存的excel表格的文件名。需要加路径和后缀名的。需要注意的是，这个xlwt3只能保存成.xls的excel文件。
打开我们保存的excel表格。
可以看到，工作表名是我们设置的test1，第一行的前三个单元格合并了，内容是'Student information'，红色20号宋体，粗体，斜体，四周有边框，居中。第二行分别是number，name，score。
以上就是创建这个excel表格的流程。
刚才上pypi发现，这个包好像就要被移除了，这样的话以后用pip就无法安装了。
xlwt3 0.1.2 : Python Package Index
以上就是关于xlwt3这个包的简单教程。
Python中6个最重要的库：
第一、NumPy
NumPy是Numerical
Python的简写，是Python数值计算的基石。它提供多种数据结构、算法以及大部分涉及Python数值计算所需的接口。NumPy还包括其他内容：
①快速、高效的多维数组对象ndarray
②基于元素的数组计算或数组间数学操作函数
③用于读写硬盘中基于数组的数据集的工具
④线性代数操作、傅里叶变换以及随机数生成
除了NumPy赋予Python的快速数组处理能力之外，NumPy的另一个主要用途是在算法和库之间作为数据传递的数据容器。对于数值数据，NumPy数组能够比Python内建数据结构更为高效地存储和操作数据。
第二、pandas
pandas提供了高级数据结构和函数，这些数据结构和函数的设计使得利用结构化、表格化数据的工作快速、简单、有表现力。它出现于2010年，帮助Python成为强大、高效的数据分析环境。常用的pandas对象是DataFrame，它是用于实现表格化、面向列、使用行列标签的数据结构;以及Series，一种一维标签数组对象。
pandas将表格和关系型数据库的灵活数据操作能力与Numpy的高性能数组计算的理念相结合。它提供复杂的索引函数，使得数据的重组、切块、切片、聚合、子集选择更为简单。由于数据操作、预处理、清洗在数据分析中是重要的技能，pandas将是重要主题。
第三、matplotlib
matplotlib是最流行的用于制图及其他二维数据可视化的Python库，它由John D.
Hunter创建，目前由一个大型开发者团队维护。matplotlib被设计为适合出版的制图工具。
对于Python编程者来说也有其他可视化库，但matplotlib依然使用最为广泛，并且与生态系统的其他库良好整合。
第四、IPython
IPython项目开始于2001年，由Fernando
Pérez发起，旨在开发一个更具交互性的Python解释器。在过去的16年中，它成为Python数据技术栈中最重要的工具之一。
尽管它本身并不提供任何计算或数据分析工具，它的设计侧重于在交互计算和软件开发两方面将生产力最大化。它使用了一种执行-探索工作流来替代其他语言中典型的编辑-编译-运行工作流。它还提供了针对操作系统命令行和文件系统的易用接口。由于数据分析编码工作包含大量的探索、试验、试错和遍历，IPython可以使你更快速地完成工作。
第五、SciPy
SciPy是科学计算领域针对不同标准问题域的包集合。以下是SciPy中包含的一些包：
①scipy.integrate数值积分例程和微分方程求解器
②scipy.linalg线性代数例程和基于numpy.linalg的矩阵分解
③scipy.optimize函数优化器和求根算法
④scipy.signal信号处理工具
⑤scipy.sparse稀疏矩阵与稀疏线性系统求解器
SciPy与Numpy一起为很多传统科学计算应用提供了一个合理、完整、成熟的计算基础。
第六、scikit-learn
scikit-learn项目诞生于2010年，目前已成为Python编程者首选的机器学习工具包。仅仅七年，scikit-learn就拥有了全世界1500位代码贡献者。其中包含以下子模块：
①分类：SVM、最近邻、随机森林、逻辑回归等
②回归：Lasso、岭回归等
③聚类：K-means、谱聚类等
④降维：PCA、特征选择、矩阵分解等
⑤模型选择：网格搜索、交叉验证、指标矩阵
⑥预处理：特征提取、正态化
scikit-learn与pandas、statsmodels、IPython一起使Python成为高效的数据科学编程语言。
5个常用的Python标准库：
1、os：提供了不少与操作系统相关联的函数库
os包是Python与操作系统的接口。我们可以用os包来实现操作系统的许多功能，比如管理系统进程，改变当前路径，改变文件权限等。但要注意，os包是建立在操作系统的平台上的，许多功能在Windows系统上是无法实现的。另外，在使用os包中，要注意其中的有些功能已经被其他的包取代。
我们通过文件系统来管理磁盘上储存的文件。查找、删除、复制文件以及列出文件列表等都是常见的文件操作。这些功能通常可以在操作系统中看到，但现在可以通过Python标准库中的glob包、shutil包、os.path包以及os包的一些函数等，在Python内部实现。
2、sys：通常用于命令行参数的库
sys包被用于管理Python自身的运行环境。Python是一个解释器，也是一个运行在操作系统上的程序。我们可以用sys包来控制这一程序运行的许多参数，比如说Python运行所能占据的内存和CPU，Python所要扫描的路径等。另一个重要功能是和Python自己的命令行互动，从命令行读取命令和参数。
3、random：用于生成随机数的库
Python标准库中的random函数，可以生成随机浮点数、整数、字符串，甚至帮助你随机选择列表序列中的一个元素，打乱一组数据等。
4、math：提供了数学常数和数学函数
标准库中，Python定义了一些新的数字类型，以弥补之前的数字类型可能的不足。标准库还包含了random包，用于处理随机数相关的功能。math包补充了一些重要的数学常数和数学函数，比如pi、三角函数等等。
5、datetime：日期和时间的操作库
日期和时间的管理并不复杂，但容易犯错。Python的标准库中对日期和时间的管理颇为完善，你不仅可以进行日期时间的查询和变换，还可以对日期时间进行运算。通过这些标准库，还可以根据需要控制日期时间输出的文本格式。
除此之外，Python还有很多第三方库，了解更多可移步：oldboyedu
Python除了有200个标准库以外，还有10万个第三方扩展库，囊括了方方面面。其中做数据分析最常用到的库有4个：
Numpy
Numpy是Python科学计算的基础包。它除了为Python提供快速的数组处理能力，还是在算法和库之间传递数据的容器。对于数值型数据，NumPy数组在存储和处理数据时要比内置的 Python数据结构高效得多。此外，由低级语言（比如C和Fortran）编写的库可以直接操作NumPy 数组中的数据，无需进行任何数据复制工作。因此，许多Python的数值计算工具要么使用NumPy 数组作为主要的数据结构，要么可以与NumPy进行无缝交互操作。
Pandas
Pandas提供了快速便捷处理结构化数据的大量数据结构和函数，兼具NumPy高性能的数组计算功能以及电子表格和关系型数据库（如SQL）灵活的数据处理功能。它提供了复杂精细的索引功能，能更加便捷地完成重塑、切片和切块、聚合以及选取数据子集等操作。因为数据操作、准备、清洗是数据分析最重要的技能，所以Pandas也是学习的重点。
Matplotlib
Matplotlib是最流行的用于绘制图表和其它二维数据可视化的Python库，它非常适合创建出版物上用的图表。虽然还有其它的Python可视化库，但Matplotlib却是使用最广泛的，并且它和其它生态工具配合也非常完美。
Scikit-learn
Scikit-learn是Python的通用机器学习工具包。它的子模块包括分类、回归、聚类、降维、选型、预处理，对于Python成为高效数据科学编程语言起到了关键作用。
