使用pandas.read_excel()函数可高效读取Excel文件，需先安装pandas和openpyxl库。通过指定文件路径、sheet_name参数读取特定工作表或所有工作表，结合dtype和na_values参数控制数据类型与缺失值识别，利用skiprows、header、usecols和nrows等参数灵活选择数据范围。处理大型文件时，优化策略包括精确选取所需列、合理定义数据类型以降低内存占用，并可考虑将Excel转为CSV提升读取效率。
Python 中使用 Pandas 读取 Excel 文件，最核心且直接的方法就是利用
pandas.read_excel()
函数。它能轻松将
.xls
或
.xlsx
格式的数据加载到 DataFrame 中，为后续的数据分析和处理打下基础。这个函数功能强大，能应对各种复杂的 Excel 文件结构，从最简单的单工作表读取到多工作表、指定行/列乃至数据类型控制，都能搞定。
解决方案
要开始，首先确保你已经安装了 Pandas 库，并且根据 Excel 文件格式，可能还需要安装
openpyxl
(用于
.xlsx
文件) 或
xlrd
(用于
.xls
文件)。通常，
openpyxl
是推荐的，因为它支持较新的 Excel 格式。
安装方法：
pip install pandas openpyxl
读取 Excel 文件的基本步骤非常简单：
导入 Pandas 库： 这是所有 Pandas 操作的第一步。调用
pd.read_excel()
： 将你的 Excel 文件路径作为第一个参数传给它。
import pandas as pd# 假设你的Excel文件名为 'sales_data.xlsx' 并且在当前工作目录下try: df = pd.read_excel('sales_data.xlsx') print("文件读取成功！前5行数据如下：") print(df.head())except FileNotFoundError: print("错误：文件未找到。请检查文件路径和文件名是否正确。")except Exception as e: print(f"读取文件时发生错误: {e}")# 如果是旧版 .xls 文件，可能需要 xlrd 引擎# df_old_excel = pd.read_excel('legacy_data.xls', engine='xlrd')# print("n旧版Excel文件读取成功！")# print(df_old_excel.head())
这个
pd.read_excel()
函数背后其实做了很多事情，它会尝试猜测文件的结构，比如哪一行是表头、哪些是数据。但实际工作中，Excel 文件往往不那么“标准”，所以我们需要掌握一些参数来精细控制读取过程。
立即学习“Python免费学习笔记（深入）”；
Python Pandas 如何读取 Excel 文件中的特定工作表？
Excel 文件经常包含多个工作表（Sheet），而我们通常只关心其中一个或几个。
pd.read_excel()
提供了一个
sheet_name
参数来处理这种情况，这在我看来是读取 Excel 时最常用也最重要的参数之一。
sheet_name
可以接受多种类型的值：
字符串： 直接指定工作表的名称。整数： 指定工作表的索引（从 0 开始计数）。
None
： 读取所有工作表，结果会是一个字典，键是工作表名称，值是对应的 DataFrame。列表： 读取指定名称或索引的工作表列表，结果也是一个字典。
import pandas as pdfile_path = 'multi_sheet_data.xlsx'# 假设 multi_sheet_data.xlsx 包含 'Sheet1', 'SalesData', 'Config' 三个工作表# 1. 读取名为 'SalesData' 的工作表try: df_sales = pd.read_excel(file_path, sheet_name='SalesData') print("n读取 'SalesData' 工作表：") print(df_sales.head())except Exception as e: print(f"读取 'SalesData' 时发生错误: {e}")# 2. 读取第一个工作表（索引为 0）try: df_first_sheet = pd.read_excel(file_path, sheet_name=0) print("n读取第一个工作表（索引 0）：") print(df_first_sheet.head())except Exception as e: print(f"读取第一个工作表时发生错误: {e}")# 3. 读取所有工作表try: all_sheets = pd.read_excel(file_path, sheet_name=None) print("n读取所有工作表，结果是一个字典：") for sheet_name, df in all_sheets.items(): print(f"--- 工作表: {sheet_name} ---") print(df.head(2)) # 只打印前两行，避免输出过多except Exception as e: print(f"读取所有工作表时发生错误: {e}")# 4. 读取指定名称的多个工作表try: selected_sheets = pd.read_excel(file_path, sheet_name=['SalesData', 'Config']) print("n读取 'SalesData' 和 'Config' 两个工作表：") for sheet_name, df in selected_sheets.items(): print(f"--- 工作表: {sheet_name} ---") print(df.head(2))except Exception as e: print(f"读取指定多个工作表时发生错误: {e}")
在我看来，
sheet_name=None
这种方式在探索一个不熟悉的 Excel 文件结构时特别有用，能让你一眼看到所有工作表的数据概貌。
Pandas 读取 Excel 时，如何有效处理数据类型和缺失值？
数据类型和缺失值是数据清洗过程中绕不开的两个大问题，在从 Excel 读取数据时，如果不加以控制，很容易出现意想不到的错误。Pandas 提供了
dtype
和
na_values
参数来帮助我们预先处理这些问题。
数据类型 (
dtype
)：Excel 单元格的格式并不总是能准确地映射到 Python 的数据类型。比如，一个全是数字的列，如果其中某个单元格被手动格式化为文本，Pandas 可能会将整个列都读作字符串（
object
类型），这在后续的数值计算中会造成麻烦。使用
dtype
参数，我们可以强制指定某些列的数据类型。
dtype
接受一个字典，键是列名或列索引，值是 NumPy 或 Python 的数据类型。
缺失值 (
na_values
)：Excel 中表示缺失值的方式多种多样，除了空白单元格，还可能有 “N/A”, “-“, “None” 等自定义标记。
pd.read_excel()
默认会将空白单元格读取为
NaN
(Not a Number)，但对于自定义的缺失值标记，它就无能为力了。
na_values
参数可以接受一个列表或字典，告诉 Pandas 哪些值应该被识别为
NaN
。
import pandas as pdimport numpy as npfile_path = 'data_with_issues.xlsx'# 假设 data_with_issues.xlsx 包含：# - 'OrderID' 列，可能被读成浮点数（如1001.0），我们希望是整数。# - 'Price' 列，我们希望是浮点数。# - 'Status' 列，某些单元格可能是 'N/A' 或 '-'，我们希望识别为缺失值。# - 'Notes' 列，可能有一些自定义的缺失值标记，如 '无'。# 定义数据类型和缺失值dtype_spec = { 'OrderID': int, # 确保 OrderID 是整数 'Price': float, # 确保 Price 是浮点数 'Quantity': 'int64', # 也可以用字符串形式 'ProductCode': str # 确保 ProductCode 是字符串}na_values_spec = [ 'N/A', # 将 'N/A' 识别为 NaN '-', # 将 '-' 识别为 NaN '无', # 将 '无' 识别为 NaN 'None' # 有些 Excel 文件中 'None' 也是缺失值]try: df_clean = pd.read_excel(file_path, dtype=dtype_spec, na_values=na_values_spec) print("n处理数据类型和缺失值后的 DataFrame：") print(df_clean.head()) print("n各列数据类型：") print(df_clean.dtypes) print("n缺失值统计：") print(df_clean.isnull().sum())except Exception as e: print(f"读取并处理数据时发生错误: {e}")# 一个常见的场景是，Excel 中的整数列如果包含空白，Pandas 会自动将其转换为浮点数（如 1.0, NaN）。# 如果我们希望保持整数类型并允许缺失值，可以使用 Pandas 的 nullable integer 类型：# 'OrderID': pd.Int64Dtype()# 这种类型在处理含有缺失值的整数列时非常有用。# df_nullable_int = pd.read_excel(file_path, dtype={'OrderID': pd.Int64Dtype()})# print("n使用 nullable integer 后的 OrderID 类型：")# print(df_nullable_int['OrderID'].dtype)
dtype
和
na_values
组合使用，能大大减少后续数据清洗的工作量，尤其是在处理那些数据源不那么规范的 Excel 文件时，简直是神器。
在 Pandas 中，如何灵活控制 Excel 文件的读取范围，例如跳过行或指定列？
实际的 Excel 文件往往不只是纯粹的数据表格，可能包含标题、批注、汇总行等非数据内容，或者我们只对其中一部分列感兴趣。
pd.read_excel()
提供了
skiprows
,
nrows
,
usecols
,
header
等参数，让我们能够精准地选择需要读取的数据区域。
跳过行 (
skiprows
)：这个参数非常实用，可以跳过文件开头的几行，或者跳过文件中的特定行。
整数： 跳过文件开头的指定行数。列表： 跳过文件中指定索引的行（从 0 开始计数）。
指定表头 (
header
)：默认情况下，Pandas 认为第一行（索引 0）是表头。但如果你的表头在其他行，比如第 3 行，就需要通过
header
参数来指定。
header
接受一个整数，表示作为表头的行索引。
读取指定行数 (
nrows
)：如果只想读取文件的前 N 行数据，可以使用
nrows
参数。这在处理大型文件时，用于快速预览数据结构非常方便。
选择特定列 (
usecols
)：我们不一定需要 Excel 文件中的所有列。
usecols
参数可以让我们只读取感兴趣的列，这不仅能减少内存占用，还能加快读取速度。
列表（字符串）： 指定要读取的列名列表。列表（整数）： 指定要读取的列索引列表。字符串： 指定一个列范围，如 ‘A:C’ 或 ‘A,C,E’。可调用对象： 传入一个函数，该函数接收列名并返回
True
或
False
来决定是否读取该列。
import pandas as pdfile_path = 'complex_layout_data.xlsx'# 假设 complex_layout_data.xlsx 文件结构如下：# - 前两行是报告标题和生成日期# - 第 3 行是实际的列名（表头）# - 数据从第 4 行开始# - 我们只对 'Product', 'Quantity', 'Price' 这三列感兴趣# - 文件可能包含很多行，但我们只想读取前 100 行数据# 1. 跳过前两行，将第三行作为表头try: df_skip_header = pd.read_excel(file_path, skiprows=2, # 跳过前2行（索引0和1） header=0) # 跳过之后的第一行（原文件的第3行）作为表头 print("n跳过前两行，并将第三行作为表头读取：") print(df_skip_header.head())except Exception as e: print(f"读取时发生错误 (跳过行和表头): {e}")# 2. 只读取 'Product', 'Quantity', 'Price' 三列，并限制行数try: df_partial = pd.read_excel(file_path, skiprows=2, header=0, usecols=['Product', 'Quantity', 'Price'], # 指定列名 nrows=10) # 只读取数据的前10行 print("n只读取指定列和前10行数据：") print(df_partial)except Exception as e: print(f"读取时发生错误 (指定列和行数): {e}")# 3. 使用列索引来指定列（假设 Product 是第2列，Quantity是第3列，Price是第4列，从0开始）try: df_col_index = pd.read_excel(file_path, skiprows=2, header=0, usecols=[1, 2, 3], # 读取索引为1, 2, 3的列 nrows=5) print("n使用列索引读取指定列和前5行数据：") print(df_col_index)except Exception as e: print(f"读取时发生错误 (使用列索引): {e}")# 4. 如果 Excel 文件中存在一些不规则的行，比如中间插入了批注行，可以使用 skiprows 列表# 假设我们要跳过第0, 1, 5行（原文件中的行号）# df_irregular_skip = pd.read_excel(file_path, skiprows=[0, 1, 5], header=0)# print("n跳过不规则行后的数据：")# print(df_irregular_skip.head())
这些参数的组合使用，让
pd.read_excel()
变得异常灵活。在我自己的项目里，很多时候 Excel 文件都是由不同部门同事提供的，格式五花八门，这些参数就是我快速把数据整理成可用 DataFrame 的利器。
处理大型 Excel 文件时，Pandas 读取性能优化有哪些实用技巧？
处理小型 Excel 文件时，性能通常不是问题。但当文件大小达到几十甚至上百兆，包含几十万上百万行数据时，读取速度和内存占用就会变得很关键。虽然
pd.read_excel()
不像
pd.read_csv()
那样直接支持
chunksize
进行分块读取（它会将整个文件加载到内存），但我们仍然有一些策略可以优化其性能。
1. 精确指定
usecols
：这是最直接也最有效的优化手段之一。如果你的 Excel 文件有几十上百列，但你只需要其中的几列，那么明确指定
usecols
可以显著减少内存占用和读取时间。Pandas 只需要解析和加载你指定的列数据，而不是整个表格。
2. 优化数据类型 (
dtype
)：如前所述，
dtype
不仅能确保数据正确性，也能大幅优化内存使用。默认情况下，Pandas 可能会为数字列分配
float64
，为字符串列分配
object
。如果知道某些整数列不会有缺失值且数值范围不大，可以指定为
int32
或
int16
。字符串列如果只有少数几种固定值，可以考虑转换为
category
类型。
import pandas as pdimport timeimport os# 假设 large_data.xlsx 是一个非常大的文件large_file_path = 'large_data.xlsx' # 请替换为你的大文件路径# 创建一个模拟的大型Excel文件（如果不存在）if not os.path.exists(large_file_path): print(f"正在创建模拟大型文件 '{large_file_path}'，请稍候...") data = { 'col_int': range(1_000_000), 'col_float': [float(i) * 1.23 for i in range(1_000_000)], 'col_str_short': [f'Item_{i%100}' for i in range(1_000_000)], 'col_str_long': [f'This is a very long string for item {i}' for i in range(1_000_000)], 'col_bool': [i % 2 == 0 for i in range(1_000_000)], 'col_date': pd.to_datetime([f'2023-01-01'] * 1_000_000) } large_df_gen = pd.DataFrame(data) large_df_gen.to_excel(large_file_path, index=False, engine='openpyxl') print("模拟文件创建完成。")else: print(f"文件 '{large_file_path}' 已存在，跳过创建。")# 场景1：不进行任何优化，读取所有列print("n--- 场景1：不优化读取所有列 ---")start_time = time.time()try: df_unoptimized = pd.read_excel(large_file_path) end_time = time.time() print(f"读取耗时: {end_time - start_time:.2f} 秒") print(f"DataFrame 内存占用: {df_unoptimized.memory_usage(deep=True).sum() / (1024**2):.2f} MB")except Exception as e: print(f"读取失败: {e}")# 场景2：指定 usecols 和 dtype 进行优化print("n--- 场景2：使用 usecols 和 dtype 优化 ---")optimized_dtype = { 'col_int': 'int32', 'col_float': 'float32', 'col_str_short': 'category', # 如果字符串重复度高，category 很有用 'col_bool': 'bool'}selected_cols = ['col_int', 'col_float', 'col_str_short', 'col_bool']start_time = time.time()try: df_optimized = pd.read_excel(large_file_path, usecols=selected_cols, dtype=optimized_dtype) end_time = time.time() print(f"读取耗时: {end_time - start_time:.2f} 秒") print(f"DataFrame 内存占用: {df_optimized.memory_usage(deep=True).sum() / (1024**2):.2f} MB")except Exception as e: print(f"读取失败: {e}")
从上面的模拟测试中，你应该能直观感受到
usecols
和
dtype
对性能和内存的巨大影响。
3. 使用
nrows
进行抽样或分批处理：虽然
read_excel
没有内置的
chunksize
迭代器，但如果你只需要文件的一部分数据进行分析，或者想分批处理（例如，每次读取几万行然后处理），可以使用
nrows
和
skiprows
组合来实现。这需要你手动循环，每次读取下一批数据。
4. 优先使用
openpyxl
引擎：对于
.xlsx
格式的文件，
openpyxl
是默认且推荐的引擎。它通常比
xlrd
更快，并且支持更多的 Excel 特性。你也可以显式指定
engine='openpyxl'
。
5. 考虑将 Excel 转换为 CSV：如果 Excel 文件真的非常大，并且你的数据结构相对简单（没有复杂的公式、宏等），一个非常有效的策略是先将 Excel 文件转换为 CSV 文件。Pandas 读取 CSV 文件的效率远高于 Excel，因为它不需要解析复杂的二进制或 XML 结构。你可以使用 Excel 软件手动转换，或者用
openpyxl
库在 Python 中实现转换。
在我看来，处理大型数据时，数据类型和列选择的精细控制是避免内存溢出和提高效率的关键。很多时候，一个小小的
dtype
调整，就能让你的脚本从“卡死”变成“秒出结果”。
以上就是python如何使用pandas读取excel文件_pandas读取Excel文件实战教程的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1371326.html
微信扫一扫 
支付宝扫一扫 
