### 不使用 Pandas 的 Python 数据处理与输出路径解决方案 尽管 Pandas 是处理结构化数据的强大工具，但在某些情况下可能需要避免其依赖。以下是不使用 Pandas 实现类似功能的具体方法。 --- #### **读取 Excel 文件** 如果不想使用 Pandas 来读取 Excel 文件，可以考虑使用 `openpyxl` 或 `xlrd` 这样的库来解析 `.xlsx` 文件。以下是一个示例代码： ```python from openpyxl import load_workbook def read_excel(file_path): workbook = load_workbook(filename=file_path, data_only=True) # 加载Excel文件 sheet = workbook.active # 获取活动工作表 data = [] for row in sheet.iter_rows(values_only=True): # 遍历每一行的数据 data.append(row) return data file_path = 'data.xlsx' excel_data = read_excel(file_path) for row in excel_data: print(row) ``` 该代码通过 `openpyxl` 将 Excel 表格转换为嵌套列表的形式以便进一步处理[^1]。 --- #### **查找缺失值并进行插值** 为了实现类似于 Pandas 中的缺失值检测和插值操作，可以直接使用 NumPy 和 SciPy 工具包完成这些任务。下面展示了一个完整的流程： ##### **步骤一：加载 CSV 数据** 假设我们有一个简单的 CSV 文件存储在磁盘上，可以用内置的 `csv` 模块将其导入内存中作为二维数组表示形式。 ```python import csv import numpy as np def load_csv(file_path): with open(file_path, newline='') as csvfile: reader = csv.reader(csvfile) rows = [row for row in reader] # 转换成NumPy矩阵方便后续计算 array = np.array(rows).astype(float) return array file_path = r'C:\Users\xf224\Desktop\第5章数据\missing_data.csv' array = load_csv(file_path) print(array) ``` ##### **步骤二：定位 NaN 值的位置** 由于原始输入被强制转化为浮点数类型，任何无法解释成数值的部分都会自动变为特殊标记符 `NaN`(Not A Number)，所以只需要简单地测试哪些单元格满足这个条件即可找到所有潜在问题区域。 ```python nan_indices = np.argwhere(np.isnan(array)) if nan_indices.size > 0: print(f"Detected {len(nan_indices)} missing values at positions:") print(nan_indices) else: print("No missing value detected.") ``` ##### **步骤三：应用拉格朗日多项式法填补空白处** SciPy 提供了一种优雅的方式来定义任意阶次的连续函数逼近离散样本集之间的关系—即所谓的“插值”。在这里选用的是 Lagrange Polynomial Technique. ```python from scipy.interpolate import lagrange def interpolate_missing_values(data_matrix): result = data_matrix.copy() num_cols = data_matrix.shape[1] for col_idx in range(num_cols): valid_x = np.where(~np.isnan(result[:,col_idx]))[0] valid_y = result[valid_x,col_idx] poly_func = lagrange(valid_x, valid_y) invalid_x = np.where(np.isnan(result[:,col_idx]))[0] interpolated_vals = poly_func(invalid_x) result[invalid_x,col_idx] = interpolated_vals.real return result interpolated_array = interpolate_missing_values(array) print(interpolated_array) ``` 最终得到的结果就是经过修复之后的新版本表格内容[^2]. --- #### **保存结果至新 CSV 文件** 最后一步是把修正过的数据重新导出回外部媒介上去持久储存起来。这依然能依靠标准库里的 `csv.writer` 类轻松搞定。 ```python output_file = "processed_data.csv" with open(output_file, mode='w', newline='') as f: writer = csv.writer(f) writer.writerows(interpolated_array.tolist()) print(f"Interpolated data has been saved to '{output_file}'.") ``` 以上便是完全脱离于第三方框架之外的一种纯手工打造型解决办法[^3]. --- ###