Python✖️表格

提示

目前PY脚本编辑器功能处于邀请内测阶段，后续会逐步推广到所有使用智能表格产品的用户如何开通该功能/看不到该功能入口，可戳👉传送门

开始使用 Python

在金山文档的智能表格产品中使用 Python，请在文档顶部信息区选择效率 > PY脚本编辑器

entrace

打开PY脚本编辑器功能的侧边栏后，可以看到文档内已经存在的Python文件和模板点击新建，创建Python文件，进入Python编辑栏，进行代码编辑开始之前，也可以点击从模板开始，参考示例入门，了解表格中Python的使用

home

template

如何开通该功能/看不到该功能入口

因该功能目前处于邀请内测阶段，暂未对所有用户开放
如需使用，可申请加入Python X 表格内测体验，点击填写金山表单即参与报名，工作日18:00前提交，当天晚上将开通，超过18:00提交，请耐心等待下一个工作日晚上开通
该功能目前仅支持金山文档kdocs.cn在线智能文档中的【智能表格】，暂不支持Office文档

更新日志（每周五持续更新ing）
12.15更新	• 优化了输出图表插入和刷新的速度，使用更加丝滑 • 优化了输出图表的初始化动画 • 优化了输出图表的尺寸自适应 • 模板库新增了使用pyecharts创建可视化展示数据频率的词云图模板 • 修复了一些已知的问题
12.08更新	• py脚本发送出去的网络请求，使用固定出口 IP 地址 • `xl()` 函数和`write_xl()`函数，新增了 `start_row`,`start_column`参数（从0开始），方便控制访问位置 • `write_xl()` 函数新增了`book_url` 参数，可以用来向其他表格写入数据 • `dbt()`函数采用自定义的dtype 返回附件类型数据，可以通过自定的Series Acces获取附件的临时下载地址，例如 `df =dbt();df["图片和附件"].attachments.temporary_url()`（目前附件的Dtype还未定义操作符，对附件列的操作可能会失败，后续会继续完善） • 新增了 echarts() 函数，方便大家体验echarts绘图，例如：echarts({echarts_options}).render()，详见echarts()函数，也可以在模板库中查看使用pyecharts的模板示例
12.01更新	• 入口更名为`PY脚本编辑器`，升级了界面，丰富了模板库，欢迎体验 • `编辑器`新增了`自动换行`和`深色模式`，提升Python编程效率&体验 • 应广大用户所需，新增了使用 Python发送网络请求的能力，可在`编辑器`-`服务列表`-`网络API`开关中启用该功能 • 第三方库新增了`akshare`, `tushare`, `baostock`，详见第三方依赖
11.24更新	• 支持了`echarts`库，提供了直观、生动、可交互、可个性化定制的数据可视化图表。更多关于`echarts`的用法请参考官方教程 • 原插入图片优化为了插入`webshape`对象 • `xl()`函数支持同时获取多个 sheet的数据，通过设置 `sheet_name=['foo','bar']`，或直接使用 `sheet_name=None` 获取所有工作表的数据 • 新增 `dbt()`函数获取数据表中的记录；新增`insert_dbt()`函数，向数据表中添加记录；新增`update_dbt()`函数，更新数据表中的记录
11.17更新	• 输出结果插入表格后，可以通过点击刷新将结果更新至最新状态，也可以通过点击编辑来修改对应的py脚本代码 • 打开已有py脚本时，自动显示最近一次运行的输出结果 • 表格中暂停继续开放入口，建议移步至智能表格中体验使用 • 修复了一些已知的问题
11.10更新	• 支持了回写数据到表格，可以通过内置的`write_xl()` 函数，将数据写入到表格 • 修复了一些已知问题
11.03更新	• Python内测Beta版发布，内置了多个Python第三方依赖，包括 `pandas`、`matplotlib`、`numpy`、`pytorch`等，可直接在代码中 import 这些依赖并使用，详见第三方依赖

使用Python访问表格里的数据

注意

金山文档的表格类产品中有工作表和数据表的区别，不同的表格类型，读取/写入数据要使用的函数是不同的。

访问工作表数据

在工作表中，可以使用区域选择器，选择要访问的数据范围。在编辑代码的过程中，可以随时通过点击编辑栏上方的选择器图标，唤出区域选择器。

home

也可以直接使用内置的xl()函数，来访问工作表里的数据。例如：若要访问当前工作表的A1到G10单元格，可以使用xl("A1:G10")。xl()函数将返回一个包含选区内数据的pandas.DataFrame对象。

更多关于xl()函数的用法，请参考附录xl()函数部分的介绍。

访问数据表数据

可以使用内置的dbt()函数，来访问数据表里的数据。例如：若要访问当前数据表的全部数据，可以使用dbt()。dbt()函数会返回一个包含数据表内全部记录的pandas.DataFrame对象。

更多关于dbt()函数的用法，请参考附录dbt()函数部分的介绍。

输出

完成代码编辑后，点击编辑栏顶部的运行按钮，运行代码。运行的结果会显示在编辑栏底部的输出栏。输出的内容包括运行过程中通过print()等函数打印的中间结果以及可能出现的运行时错误。

点击输出栏右侧的加号图标，可以将输出的结果插入到表格中。

outputs

回写数据到工作表

可以通过内置的write_xl()函数，将数据回写到工作表。例如，将一个 pandas.DataFrame 类型的对象 df 回写到当前工作表的 A1 位置，可以使用write_xl(df, "A1")，它将在 A1 单元格所在的位置，逐行写入df中的数据。

更多关于write_xl()函数的用法，请参考附录write_xl()函数部分的介绍。

回写数据到数据表

数据表组织数据的方式与传统的工作表不同，因此回写数据的方式也有区别：

注意

对数据表的回写，目前函数提供的支持是不完备的。请根据需要酌情使用。

由于数据表中的某些字段类型是对象，这些字段的值在回写时，会被忽略或修改成简单类型。请参考附录数据表字段类型部分的介绍。

1. 添加记录

可以使用insert_dbt()函数，向数据表中添加记录。例如，将一条姓名为张三，年龄为20的记录添加到数据表，可以使用insert_dbt({"姓名": "张三", "年龄": 20})，它将在当前数据表的末尾添加一条新的记录。

更多关于insert_dbt()函数的用法，请参考附录insert_dbt()函数部分的介绍。

2. 更新记录

可以使用update_dbt()函数，更新数据表中的记录。例如，更新一条ID为D的记录，可以使用update_dbt({"_rid": "D", "年龄": 25})。

更多关于update_dbt()函数的用法，请参考附录update_dbt()函数部分的介绍。

第三方依赖

目前表格中已经内置了多个 Python 第三方依赖，包括 pandas、matplotlib、numpy、pytorch等。可以直接在代码中 import 这些依赖并使用。

完整的第三方依赖请参考附录内置的第三方依赖部分的介绍。

提示

目前暂时不支持安装和使用未内置的第三方依赖。

附录

xl() 函数

访问工作表中的数据，并返回一个pandas.DataFrame对象。

函数签名

python

def xl(range: str = "",
       headers: bool = False,
       sheet_name: str | list[str] = "",
       book_url: str = '',
       start_row: int | None = None,
       start_column: int| None = None) -> pandas.DataFrame | dict[str, pandas.DataFrame]: ...

参数列表

参数	类型	默认值	说明
range	str	空字符串	工作表中的选区描述。默认为工作表中已经使用的区域。
headers	bool	`False`	是否将当前选区第一行处理为表头。
sheet_name	str or list	空字符串	选区所在的工作表名称，可为多个。默认为当前激活的工作表。如果为`None`则返回全部工作表数据。
book_url	str	空字符串	选区所在的表格文件地址。必须为金山文档云文档地址。默认当前表格。
start_row	int	None	选区左上单元格的行，从0开始
start_column	int	None	选区左上单元格的列，从0开始

示例

以下示例会使用到如下虚拟的进销存表格，并假设当前正在打开的是工作表1（激活状态）。

提示

表格中的数据均虚构，仅做示例使用。

examples

访问当前工作表（工作表1）中的所有数据，无表头。

python

# 相当于 df = pandas.DataFrame(columns=None, data={全部数据})
df1 = xl()

# 由于无表头，只能按照索引访问 df 中的数据
# 下边这条语句会输出“产品名称”
print(df1[0][0])

访问当前工作表（工作表1）中，A1:C5区域的数据，将第一行处理为表头。

python

# 相当于 df = pandas.DataFrame(columns=[A1:C1], data=[A2:C5])
df2 = xl("A1:C5", headers=True)

# 可以通过列名来索引 df 中的数据
df2_subset = df[['产品名称', '发货日期']]

获取工作表2（当前激活为工作表1）中，A1:G10区域的数据，将第一行处理为表头。

python

# 相当于 df = pandas.DataFrame(columns=[A1:G1], data=[A2:G10])
df3 = xl("A1:G10", headers=True, sheet_name="工作表2")

获取其它表格文档（https://kdocs.cn/l/foo）中，工作表3的前10行数据，第一行作为表头。

python

df4 = xl(
    range="1:10",
    headers=True,
    sheet_name="工作表3",
    book_url="https://kdocs.cn/l/foo",
)

获取当前表格中，所有工作表数据。

python

# 此时将返回一个 dict[str, pandas.DataFrame] 类型的 ds
# ds 的 key 为工作表名称
ds = xl(
    headers=True,
    sheet_name=None,
)

df5 = ds['工作表1']

write_xl() 函数

将数据回写到工作表。

注意

支持将一维和二维的容器对象，如 list tuple set dict 回写到工作表，不支持更高维度的容器的回写。

提示

一维容器对象：向量表示，容器中不包含其它容器；

二维容器对象：矩阵，容器中的元素为只包含标量的容器。

提示

不同类型的数据回写时处理逻辑是不同的。请参考示例部分获取更多信息。

函数签名

python

def write_xl(data: object,
             range: str = "",
             new_sheet: bool = False,
             sheet_name: str = "",
             overfill: bool = True,
             book_url: str =  "",
             start_row: int | None = None,
             start_column: int| None = None) -> None;

参数列表

参数	类型	默认值	说明
data	object	必填	要回写到工作表里的数据。支持的数据类型包括： Python 基本数据类型；维度不超过2维的容器类型，如： `list` 和 `tuple`； `pandas.DataFrame`；不支持写入图片。
range	str	空字符串	工作表中的选区描述。可以为一个单元格。为要写入数据的选区的左上角。当`new_sheet=True`时可以为空。默认为新工作表的`A1`位置。
new_sheet	bool	`False`	是否将数据写入到新建的工作表中。
sheet_name	str	空字符串	写入数据的选区所在的工作表名称。当 `new_sheet=False` 时为表格中已经存在的工作表名称。当 `new_sheet=True` 时为新建的工作表的名称。
overfill	bool	True	当 `range` 不足以容纳 `data` 时，是否允许超出部分继续写入。如果设置为 `False` 超出 `range` 的 `data` 部分会被丢弃。
book_url	str	空字符串	选区所在的表格文件地址。必须为金山文档云文档地址。默认当前表格。
start_row	int	None	选区左上单元格的行，从0开始
start_column	int	None	选区左上单元格的列，从0开始

示例

将字符串、数字回写到工作表。

python

# 将 s 回写到当前工作表的 A1 单元格
s = "hello world"
write_xl(s, "A1")

# 将 i 回写到工作表2的 B1 单元格
i = 100
write_xl(i, "B1", sheet_name="工作表2")

# 将 f 回写到新建的工作表中的 C1 单元格
f = 0.1
write_xl(f, "C1", new_sheet = True)

将 pandas.DataFrame 回写到工作表。

提示

将 DataFrame 回写到工作表时，是按照数据在 DataFrame 中的相对位置（行/列）进行写入的。如果设置了 overfill=False 超过选区 range 的部分会被丢弃。

python

import pandas as pd

# 构造一个有 columns 的 DataFrame
df = pd.DataFrame({"Name": ["foo", "bar", "baz"], "Age": [1, 2, 3]})

# 将 df 写入到当前工作表的 A1 位置
# 由于 df 中包含 columns 定义
# 最终会写入到 A1:B4 选区
# 相当于第1行是表头，其余3行为数据
# +-------+-----+
# | Name  | Age |
# +-------+-----+
# |  foo  |  1  |
# +-------+-----+
# |  bar  |  2  |
# +-------+-----+
# |  baz  |  3  |
# +-------+-----+
write_xl(df, "A1")

# 构造一个无 columns 的 DataFrame
df2 = pd.DataFrame([["foo", 1], ["bar", 2], ["baz", 3]])

# 将 df2 写入到当前工作表的 A1 位置
# 由于 df2 中没有 columns（未显式定义，默认使用 pandas.RangeIndex）
# 最终会写入到 A1:B3 选区
# 相当于没有表头，只有3行数据
# +-------+-----+
# |  foo  |  1  |
# +-------+-----+
# |  bar  |  2  |
# +-------+-----+
# |  baz  |  3  |
# +-------+-----+
write_xl(df2, "A1")

# 也可以单独回写某个 series，行为与只有一个“列”的 DataFrame 一致
write_xl(df['name'], "A1:B1")

将 list、tuple和set回写到工作表。

提示

示例中仅包含 list。set和tuple的逻辑与list一致。

将一维list、tuple和set回写到工作表。

注意

当 range 是一个矩阵（例如：“A1:C10”），如果list或tuple或set中包含的数据长度（len()函数返回的长度）大于range选区的大小，且overfill=True会返回错误并写入失败。因为此时无法推断出要向工作表的哪个方向（行/列）去做扩张。

python

# 构造一个有10个元素的 list
l = [i for i in range(10)]

# 将 l 回写到以 A1 开头的一行中
# +-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+
# |  0  |  1  |  2  |  3  |  4  |  5  |  6  |  7  |  8  |  9  |
# +-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+
write_xl(l, "A1")

# 将 l 回写到当前工作表的 A1:C1 区域
# 即将 l 回写成工作表中的一行
# 但是此时 A1:C1 选区不足以容纳 10 个元素
# 且 overfill=False 截断 l 中的元素
# +-----+-----+-----+
# |  0  |  1  |  2  |
# +-----+-----+-----+
write_xl(l, "A1:C1", overfill=False)

# 将 l 回写到当前工作表的 A1：A10 区域
# 与之前的示例相同，即将 l 回写成工作表中的一列
# +-----+
# |  0  |
# +-----+
# |  1  |
# +-----+
# |  2  |
# +-----+
# |  3  |
# +-----+
# |  4  |
# +-----+
# |  5  |
# +-----+
# |  6  |
# +-----+
# |  7  |
# +-----+
# |  8  |
# +-----+
# |  9  |
# +-----+
write_xl(l, "A1:A10")

# 将 l 回写到当前工作表的 A1:E2 区域
# 即将 l 回写成工作表中2行*5列
# 此时要求 l 的长度必须不大于选区的长度
# 否则无法判断该如何写入数据，导致报错
# +-----+-----+-----+-----+-----+
# |  0  |  1  |  2  |  3  |  4  |
# +-----+-----+-----+-----+-----+
# |  5  |  6  |  7  |  8  |  9  |
# +-----+-----+-----+-----+-----+
write_xl(l, "A1:E2")

将二维list、tuple和set回写到工作表。

注意

容器中的元素会被处理成工作表的一个行。

python

# 构造一个二维的 list
data = [["foo", 1], ["bar", 2], ["baz", 3]]

# 将 data 回写到当前工作表的 A1 位置
# 将会在工作表中写入如下数据：
# data 中的每一个子列表，被处理成工作表中的一行
# +-------+-----+
# |  foo  |  1  |
# +-------+-----+
# |  bar  |  2  |
# +-------+-----+
# |  baz  |  3  |
# +-------+-----+
write_xl(data, "A1")

将dict回写到工作表。

注意

dict的key被当作表头中的列名；value被处理成一列数据。

python

# 构造一个一维的 dict
data = {"Name": "foo", "Age": 1}

# 将 data 回写到当前工作表的 A1 位置
# 将会在表个中写入如下数据：
# +-------+-----+
# |  Name | Age |
# +-------+-----+
# |  foo  |  1  |
# +-------+-----+
write_xl(data, "A1")

# 构造一个二维的 dict
data = {'Name': ['foo', 'bar', 'baz'], 'Age': [1, 2, 3]}

# 将 data 回写到当前工作表的 A1 位置
# 将会在工作表中写入如下数据：
# +-------+-----+
# |  Name | Age |
# +-------+-----+
# |  foo  |  1  |
# +-------+-----+
# |  bar  |  2  |
# +-------+-----+
# |  baz  |  3  |
# +-------+-----+
write_xl(data, "A1")

数据表中的字段类型

字段类型	类型名称	值类型	说明
MultiLineText	文本	string
Date	日期	string
Time	时间	string
Number	数值	numeric
Currency	货币	numeric
Percentage	百分比	numeric
ID	身份证	string
Phone	电话	string
Email	电子邮箱	string
Url	超链接	object	不支持通过 Python 更新
Checkbox	复选框	boolean
SingleSelect	单选项	object	不支持通过 Python 更新
MultipleSelect	多选项	object	不支持通过 Python 更新
Rating	等级	numeric	会被降级成 Number 类型
Complete	进度条	numeric
Contact	联系人	object	不支持通过 Python 更新
Attachment	附件	object	不支持通过 Python 更新
Link	关联	object	不支持通过 Python 更新
Note	富文本	object	不支持通过 Python 更新
Address	地址	object	不支持通过 Python 更新
Cascade	级联	object	不支持通过 Python 更新

以下类型为数据表中的自动类型，即该类型的记录值是系统自动填充的，不支持外部更新。

字段类型	类型名称
AutoNumber	编号
CreatedBy	创建者
CreatedTime	创建时间
LastModifiedBy	最后修改者
LastModifiedTime	最后修改时间
Formula	公式
Lookup	引用

dbt() 函数

函数签名

python

def dbt(field: str | list[str] = None,
        sheet_name: str | list[str] = '',
        book_url: str = '') -> __pd.DataFrame | dict[str, __pd.DataFrame]:

参数列表

参数	类型	默认值	说明
field	str or list	None	要返回的字段列表。默认为`None`，表示返回所有字段。
sheet_name	str or list	空字符串	字段所在的数据表名称，可为多个。默认为当前激活的数据表。如果为`None`则返回全部数据表数据。
book_url	str	空字符串	字段所在的表格文件地址。必须为金山文档云文档地址。默认当前表格。

注意

dbt() 函数返回的 pandas.DataFrame.index 中包含每一条记录的 ID，供更新数据表使用时使用。

示例

以下示例会使用到如下虚拟的进销存表格，并假设当前正在打开的是数据表1（激活状态）。

提示

表格中的数据均虚构，仅做示例使用。

examples_dbt

读取当前数据表（数据表1）中的产品名称和库存数量。

python

# 返回数据表1中的字段名为产品名称和库存数量的记录，表头为字段名
# 返回的数据类似下表所示
#  其中 B，C，D 为 Index 中保存的记录 ID
# +-----+-------------+----------+
# |     |   产品名称   |  库存数量  |
# +-----+-------------+----------+
# |  B  |  iPhone 12  |   100    |
# +-----+-------------+----------+
# |  C  | MacBook Pro |   175    |
# +-----+-------------+----------+
# |  D  | iPad Air 4  |   173    |
# +-----+-------------+----------+
df = dbt(field=['产品名称', '库存数量'])

读取当前数据表中，数据表1和数据表2的所有记录

python

# 此时返回的是一个包括两个 DataFrame 的 dict
ds = dbt(sheet_name=['数据表1', '数据表2'])

df1 = ds['数据表1']

df2 = ds['数据表2']

读取其它文档(https://www.kdocs.cn/l/bar)中的全部数据表中记录

python

# 此时返回的是一个包括多个 DataFrame 的 dict
ds = dbt(sheet_name=None, book_url="https://www.kdocs.cn/l/bar")

insert_dbt() 函数

函数签名

python

def insert_dbt(data: dict[str, any] | list[dict[str, any]] | __pd.DataFrame,
               sheet_name: str = '',
               new_sheet: bool = False) -> None:

参数列表

参数	类型	默认值	说明
data	object	必填	要回写到数据表里的数据。支持的数据类型包括： `dict[str, any]`包含记录名称和值的 `dict`；维度不超过2维的 `list` 类型； `pandas.DataFrame`；不支持写入附件等复杂类型。
sheet_name	str	空字符串	写入数据的选区所在的数据表名称。当 `new_sheet=False` 时为表格中已经存在的数据表名称。当 `new_sheet=True` 时为新建的数据表的名称。
new_sheet	bool	`False`	是否将数据写入到新建的数据表中。

提示

建议直接使用 dbt() 函数返回的 DataFrame，进行所需要的处理后，回写数据表。

示例

python

# 返回数据表1中的字段名为产品名称和库存数量的记录，表头为字段名
# 返回的数据类似下表所示
#  其中 B，C，D 为 Index 中保存的记录 ID
# +-----+-------------+----------+
# |     |   产品名称   |  库存数量  |
# +-----+-------------+----------+
# |  B  |  iPhone 12  |   100    |
# +-----+-------------+----------+
# |  C  | MacBook Pro |   175    |
# +-----+-------------+----------+
# |  D  | iPad Air 4  |   173    |
# +-----+-------------+----------+
df = dbt(field=['产品名称', '库存数量'])

# 将 df 中的数据写入到新的数据表2中
insert_dbt(df, sheet_name="数据表2", new_sheet=True)

# 向数据表2中，新增一条记录
insert_dbt({"产品名称": "iPad Air 5", "库存数量": 100 }, sheet_name="数据表2")

# 向数据表2中，新增两条记录
insert_dbt([{"产品名称": "Mac mini M2"}, {"产品名称": "Mac mini M2 Pro"}] , sheet_name="数据表2")

update_dbt() 函数

函数签名

python

def update_dbt(data: dict[str, any] | list[dict[str, any]] | __pd.DataFrame,
               sheet_name: str = '') -> None:

参数列表

参数	类型	默认值	说明
data	object	必填	要回写到数据表里的数据。支持的数据类型包括： `dict[str, any]`包含记录ID、名称和值的 `dict`；维度不超过2维的 `list` 类型； `pandas.DataFrame`；不支持写入附件等复杂类型。
sheet_name	str	空字符串	写入数据的选区所在的数据表名称。当 `new_sheet=False` 时为表格中已经存在的数据表名称。当 `new_sheet=True` 时为新建的数据表的名称。
new_sheet	bool	`False`	是否将数据写入到新建的数据表中。

示例

python

# 返回数据表1中的字段名为产品名称和库存数量的记录，表头为字段名
# 返回的数据类似下表所示
#  其中 B，C，D 为 Index 中保存的记录 ID
# +-----+-------------+----------+
# |     |   产品名称   |  库存数量  |
# +-----+-------------+----------+
# |  B  |  iPhone 12  |   100    |
# +-----+-------------+----------+
# |  C  | MacBook Pro |   175    |
# +-----+-------------+----------+
# |  D  | iPad Air 4  |   173    |
# +-----+-------------+----------+
df = dbt(field=['产品名称', '库存数量'])

# 修改 df 中的数据，并更新数据表中的记录
df['库存数量'] = df['库存数量'] * 2
update_dbt(df)

# 单独修改数据表1中的记录
# 其中包括ID字段 _rid 值为对应的 Index 中的值
update_dbt({"_rid": "B", "产品名称": "iPhone 12 Pro"})

# 更新多条记录的值
update_dbt([{"_rid": "C", "产品名称": "MacBook Pro M1"}, {"_rid": "D", "库存数量": 200}])

echarts() 函数

函数签名

python

def echarts(options: dict) -> pyecharts.charts.base.Base

参数列表

参数	类型	默认值	说明
options	dict	必填	echarts 配置，可以直接从echarts官方示例中拷贝配置并执行查看显示效果

示例

python

options = {
    "xAxis": {
        "type": "category",
        "data": ["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]
    },
    "yAxis": {"type": "value"},
    "series": [{
        "type": "line",
        "data": [150, 230, 224, 218, 135, 147, 260]
    }]
}
echarts(options).render()

内置的第三方依赖

按字母顺序排序	简介
akshare	AkShare是基于Python的开源金融数据接口库，目的是实现对股票、期货、期权、基金、债券、外汇等金融产品和另类数据从数据采集，数据清洗到数据下载的工具，满足金融数据科学
astropy	Astropy用于天文学数据处理和分析。它提供了许多有用的工具和函数来操作各种类型的天文学数据，从图像和表格到天体物理学常见的坐标系转换和单位转换
baostock	BaoStock是一个证券数据服务平台。考虑到 Python pandas 包在金融量化分析中体现出的优势， BaoStock 返回的绝大部分的数据格式都是 pandas DataFrame 类型，非常便于用 pandas/NumPy/Matplotlib 进行数据分析和可视化
bs4	Beautiful Soup（简称BS4）是一个用于解析HTML和XML文档的Python库。它提供了一种简单而灵活的方式来导航、搜索和修改解析树，使得从网页中提取数据变得更加容易
Cartopy	Cartopy是一个Python包，用于地理空间数据处理，以便生成地图和其他地理空间数据分析。 Cartopy利用了强大的PROJ.4、NumPy和Shapely库，并在Matplotlib之上构建了一个编程接口，用于创建发布高质量的地图
imbalanced-learn	imbalanced-learn提供了一些技术来解决数据不平衡的问题。在分类问题中，如果数据集中的一个类别的样本数量远远大于另一个类别，这会导致模型对多数类别的偏向，从而降低对少数类别的识别能力。这种情况下，imbalanced-learn库可以帮助提高模型对少数类别的识别能力
IPython	IPython是一个交互式计算环境的扩展库，提供了一个强大的交互式环境和工具集，提供了许多方便的功能和特性，使得开发者可以更加高效地编写、测试和调试Python代码。它是Python数据科学和机器学习领域中常用的工具之一
matplotlib	Matplotlib是Python中一个常用的绘图库，可以用于绘制各种类型的图表，包括线图、散点图、条形图、等高线图、3D图等等。它是一个非常强大和灵活的库，被广泛用于数据科学、机器学习、工程学、金融等领域
networkx	NetworkX是一个用于创建、操作和学习复杂网络的Python库。它提供了一组丰富的工具和算法，用于分析和可视化网络结构，以及研究网络的属性和行为
nltk	Natural Language Toolkit（简称NLTK）是一个用于自然语言处理（NLP）的Python库。它提供了一系列工具和数据集，用于处理、分析和理解文本数据
numpy	NumPy（Numerical Python）是一个用于科学计算的Python库。它提供了一个高性能的多维数组对象（ndarray）和一组用于操作数组的函数，使得在Python中进行数值计算和数据处理变得更加高效和方便
pandas	Pandas是一个开源的数据分析和数据处理库，它是基于NumPy构建的，提供了高性能、易于使用的数据结构和数据分析工具，使得在Python中进行数据处理和分析变得更加简单和高效
pyecharts	Pyecharts是一个用于生成交互式图表和可视化的Python库，它基于Echarts JavaScript库，并提供了一种简单而强大的方式来创建各种类型的图表。通过Pyecharts，可以轻松地将数据转化为各种图表，如折线图、柱状图、散点图、饼图等等，并且可以对图表进行各种定制，如修改颜色、添加标签、调整字体等等。使用Pyecharts可以大大提高数据可视化的效率，让用户更加直观地了解数据的分布和规律。同时，Pyecharts也支持多种输出格式，如HTML、PDF等，方便用户将图表嵌入到Web页面或生成报告中使用
pymysql	PyMySQL是Python中用于连接和操作MySQL数据库的一个库。它提供了Python编程语言和MySQL数据库之间的接口，使得Python程序可以方便地连接、查询和操作MySQL数据库
pytorch	PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。PyTorch的易用性使得它在研究社区中有了早期的使用者，并且已经成为应用程序中使用最广泛的深度学习工具之一
pywavelets	PyWavelets是Python中用于小波变换的免费开源库。小波是在时间和频率上都局部化的数学基函数，小波变换则是利用小波的时频变换来分析和处理信号或数据。PyWavelets提供了丰富的功能和灵活的接口，可以对图像、音频、信号等数据进行小波变换、逆变换、阈值去噪、压缩等操作。此外，PyWavelets还支持多种小波基函数和边界处理方式，用户可以根据需要选择合适的小波基函数和参数
requests	requests库是Python的一个HTTP客户端库，可以帮助用户发送各种类型的HTTP请求，如GET、POST、PUT、DELETE等，并获取响应。requests库具有简单易用、功能强大、灵活性高等特点，因此被广泛应用于Python网络编程中
scikit-image	Scikit-image是一个基于Python脚本语言开发的数字图片处理包，它将图片作为numpy数组进行处理，正好与matlab一样。scikit-image对scipy.ndimage进行了扩展，提供了更多的图片处理功能。Scikit-image库包含了一些基本的图像处理功能，比如图像缩放、旋转、图像变换、阈值化处理等等。此外，它还包含了众多高级图像处理算法，比如边缘检测、形态学操作、直线和圆检测等等
scikit-learn	Scikit-learn（以前称为scikits.learn，也称为sklearn）是一个简单高效的数据挖掘和数据分析工具，建立在Python编程语言之上。它是为了解决真实世界中的问题而开发的，并且在学术和商业环境中都得到了广泛的应用。Scikit-learn的主要功能包括分类、回归、聚类、降维、模型选择和预处理
scipy	scipy是一个基于Python的开源科学计算库，它建立在NumPy库的基础上，提供了更高级的数学、科学和工程计算功能。scipy库包含了许多模块，每个模块都提供了一组相关的函数和工具，用于解决各种数学、科学和工程问题
seaborn	Seaborn是一个基于Python的数据可视化库，它在matplotlib的基础上进行了更高级的API封装，使得作图更加容易，并且制作出来的图形也更加美观和具有吸引力。Seaborn提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表
statsmodels	statsmodels是一个Python库，提供了用于统计建模和计量经济学的函数和类。它包含了一系列统计模型，用于数据分析、探索性数据分析(EDA)、建模和推断。该库的目标是提供一种简单而一致的接口，使得用户可以在Python中进行各种统计任务
sympy	sympy是一个基于Python的符号计算库，它提供了符号计算的功能，可以进行符号代数、微积分、线性代数、离散数学等方面的计算。与其他数值计算库不同，sympy库执行的是精确计算，而不是数值近似，这使得它非常适合用于数学推导、符号计算和数学建模
tushare	tushare是一个基于Python的金融数据接口库，它提供了丰富的金融市场数据，包括股票、指数、基金、期货、外汇等数据。tushare库获取数据的来源是中国的金融市场，可以帮助获取和分析金融数据

Python✖️表格 #

开始使用 Python #

如何开通该功能/看不到该功能入口 #

使用Python访问表格里的数据 #

访问工作表数据 #

访问数据表数据 #

输出 #

回写数据到工作表 #

回写数据到数据表 #

1. 添加记录 #

2. 更新记录 #

第三方依赖 #

附录 #

xl() 函数 #

函数签名 #

参数列表 #

示例 #

write_xl() 函数 #

函数签名 #

参数列表 #

示例 #

数据表中的字段类型 #

dbt() 函数 #

函数签名 #

参数列表 #

示例 #

insert_dbt() 函数 #

函数签名 #

参数列表 #

示例 #

update_dbt() 函数 #

函数签名 #

参数列表 #

示例 #

echarts() 函数 #

函数签名 #

参数列表 #

示例 #

内置的第三方依赖 #

Python✖️表格

开始使用 Python

如何开通该功能/看不到该功能入口

使用Python访问表格里的数据

访问工作表数据

访问数据表数据

输出

回写数据到工作表

回写数据到数据表

1. 添加记录

2. 更新记录

第三方依赖

附录

xl() 函数

函数签名

参数列表

示例

write_xl() 函数

函数签名

参数列表

示例

数据表中的字段类型

dbt() 函数

函数签名

参数列表

示例

insert_dbt() 函数

函数签名

参数列表

示例

update_dbt() 函数

函数签名

参数列表

示例

echarts() 函数

函数签名

参数列表

示例

内置的第三方依赖