如何使用Python清理Excel文件中的文本并解决pandas导出异常问题

问题原因 #

你当前的代码存在2个核心逻辑偏差：

1. 仅读取了B列内容，原始A列的数字完全没有被加载到处理流程中，导出时自然无法保留，反而会被pandas默认生成的行序号覆盖
2. to_excel方法默认开启行索引、表头输出，才会出现B列第一行多出生成值的问题
3. 原有replace写法是全单元格匹配，仅当单元格内容完全等于<br>时才会替换，若标签在文本中间无法生效

修正后代码 #

import pandas as pd 

file_name = "F:\Project\comments_all_sorted.xlsx"
# 同时读取A、B两列，保留原始A列内容
df = pd.read_excel(file_name, header=None, index_col=None, usecols='A,B')

# 针对B列（对应DataFrame索引为1的列）做子串替换，匹配所有位置的<br>标签
df[1] = df[1].str.replace('<br>', '', regex=False)

# 导出时关闭行索引、表头输出，不生成额外内容
df.to_excel('output.xlsx', index=False, header=False)

修改说明 #

• 读取范围调整为usecols='A,B'，完整加载需要保留的原始两列内容
• 替换逻辑改用str.replace，会匹配单元格内所有的<br>子串，符合文本清理需求
• 导出参数新增index=False禁止输出生成行序号，header=False禁止输出生成列名，完全匹配原始文件的结构

内容的提问来源于stack exchange，提问作者Linda Brck