Pandas 读取 Excel 入门指南 – wiki基地

作者： /

Pandas 读取 Excel 入门指南：从零开始到精通数据加载

Excel 文件因其直观性和易用性，在全球范围内被广泛用于数据存储和共享。然而，当数据量庞大、需要进行复杂的自动化处理、分析或与其他数据源集成时，手动操作或简单的 Excel 公式就显得力不从心了。这时，强大的 Python 数据分析库 Pandas 便成为了处理 Excel 数据的首选工具。

Pandas 提供了一个名为 read_excel() 的函数，它可以轻松、灵活地将 Excel 文件（包括 .xlsx 和 .xls 格式）中的数据加载到 Python 的核心数据结构——DataFrame 中。一旦数据被加载到 DataFrame，我们就可以利用 Pandas 丰富的函数集进行清洗、转换、分析和可视化。

本文将带你一步步深入了解如何使用 Pandas 的 read_excel() 函数，从最基础的用法开始，逐步探索其各种强大参数，帮助你高效地读取和处理 Excel 数据。无论你是数据科学新手还是有一定编程基础，这篇指南都将为你提供清晰、详细的指导。

1. 准备工作：安装必要的库

在使用 Pandas 读取 Excel 文件之前，你需要确保你的 Python 环境已经安装了 Pandas 以及用于处理 Excel 文件的引擎库。

首先，安装 Pandas：

bash
pip install pandas

接下来，根据你使用的 Excel 文件格式（主要是 .xlsx 或 .xls），你可能需要安装相应的引擎库。

  • 对于较新的 .xlsx 格式文件（自 Excel 2007 起），通常使用 openpyxl 作为引擎。
  • 对于较旧的 .xls 格式文件，通常使用 xlrd 作为引擎。

推荐同时安装这两个库，以确保能够处理各种格式的 Excel 文件：

bash
pip install openpyxl xlrd

安装完成后，你就可以在 Python 脚本或 Jupyter Notebook 中导入 Pandas 并开始使用了：

python
import pandas as pd

习惯上，我们将 Pandas 导入并命名为 pd，这是一个广泛接受的约定。

2. 最基础的读取：加载第一个工作表

最简单的情况是，你的 Excel 文件只有一个工作表，并且数据从第一个单元格 (A1) 开始，第一行是列标题。在这种情况下，使用 read_excel() 函数非常直观。

假设你有一个名为 sales_data.xlsx 的文件，其中包含销售数据，并且数据在第一个工作表（通常名为 Sheet1 或类似名称）中。

“`python

假设 sales_data.xlsx 文件与你的 Python 脚本在同一个目录下

excel_file_path = ‘sales_data.xlsx’

try:
df = pd.read_excel(excel_file_path)

# 显示数据的前5行
print("成功读取文件，前5行数据:")
print(df.head())

# 显示数据框的基本信息（列名、非空值数量、数据类型）
print("\n数据框信息:")
df.info()

except FileNotFoundError:
print(f”错误：文件未找到，请检查文件路径: {excel_file_path}”)
except Exception as e:
print(f”读取文件时发生错误: {e}”)
“`

解释：

  • pd.read_excel(excel_file_path): 这是最核心的调用。你只需要提供 Excel 文件的路径作为第一个参数。
  • df: read_excel() 函数返回一个 Pandas DataFrame 对象，我们将其赋值给变量 df。DataFrame 是 Pandas 中用于存储二维表格数据（类似于电子表格或 SQL 表）的核心数据结构。
  • df.head(): 这是一个非常有用的方法，用于快速查看 DataFrame 的前几行（默认为前5行），帮助你确认数据是否正确加载。
  • df.info(): 这个方法提供了 DataFrame 的概要信息，包括索引类型、列的数量、每个列的名称、非空值的数量以及列的数据类型（dtype）。这对于初步了解数据结构和是否存在缺失值非常重要。

在最简单的调用中，read_excel() 会自动完成以下事情：

  1. 打开指定的 Excel 文件。
  2. 读取文件中的第一个工作表。
  3. 将工作表的第一行视为列标题（如果这一行看起来像标题）。
  4. 将剩余的数据读取为 DataFrame 的数据行。
  5. 自动为 DataFrame 生成一个默认的整数索引（从0开始）。

这对于许多简单的 Excel 文件已经足够了。但现实世界中的 Excel 文件往往更加复杂，可能包含多个工作表、非标准格式的标题、合并单元格、额外的信息行等。这时，我们就需要借助 read_excel() 的各种参数来精确控制数据的读取过程。

3. read_excel() 的重要参数详解

read_excel() 函数提供了许多参数，允许你精细地控制数据的读取行为。下面我们将详细介绍一些最常用和最重要的参数。

3.1 指定工作表 (sheet_name)

Excel 文件可以包含多个工作表。sheet_name 参数用于指定要读取哪一个或哪几个工作表。

  • 默认值： 0 (读取第一个工作表，索引从 0 开始)
  • 可用值：
    • 整数索引 (例如：0, 1, 2, …)：按照工作表在文件中的顺序指定。
    • 工作表名称字符串 (例如：'Sheet1', 'Sales Data')：使用工作表的实际名称指定。
    • 整数索引列表或工作表名称列表 (例如：[0, 1], ['Sheet1', 'Summary'])：读取多个指定的工作表。
    • None：读取所有工作表。

示例：

假设 sales_data.xlsx 文件中有三个工作表：Sheet1, Summary, Notes。

读取第二个工作表 (索引 1)：

“`python

读取索引为 1 的工作表 (即第二个工作表)

df_sheet2_by_index = pd.read_excel(excel_file_path, sheet_name=1)
print(“\n读取索引为 1 的工作表:”)
print(df_sheet2_by_index.head())
“`

读取名为 ‘Summary’ 的工作表：

“`python

读取名为 ‘Summary’ 的工作表

df_summary = pd.read_excel(excel_file_path, sheet_name=’Summary’)
print(“\n读取名为 ‘Summary’ 的工作表:”)
print(df_summary.head())
“`

读取多个指定工作表：

当你指定读取多个工作表时，read_excel() 返回的不再是一个 DataFrame，而是一个字典。字典的键是工作表的名称，值是对应工作表读取到的 DataFrame。

“`python

读取 ‘Sheet1’ 和 ‘Summary’ 这两个工作表

sheets_dict = pd.read_excel(excel_file_path, sheet_name=[‘Sheet1’, ‘Summary’])

print(“\n读取多个指定工作表（返回字典）:”)

遍历字典，打印每个工作表的数据框头部

for sheet_name, df in sheets_dict.items():
print(f”\n工作表: {sheet_name}”)
print(df.head())
“`

读取所有工作表：

当 sheet_name=None 时，read_excel() 会读取文件中的所有工作表，同样返回一个字典，键是工作表名称，值是对应的 DataFrame。

“`python

读取所有工作表

all_sheets_dict = pd.read_excel(excel_file_path, sheet_name=None)

print(“\n读取所有工作表（返回字典）:”)
for sheet_name, df in all_sheets_dict.items():
print(f”\n工作表: {sheet_name}”)
print(df.head())
“`

通过 sheet_name 参数，你可以轻松地从包含多个工作表的复杂 Excel 文件中提取你需要的数据。

3.2 指定标题行 (header)

header 参数用于指定哪一行应该被用作 DataFrame 的列标题。

  • 默认值： 0 (将第一行用作标题，索引从 0 开始)
  • 可用值：
    • 整数索引：指定作为标题的行的索引。
    • 整数索引列表 (例如：[0, 1])：用于创建多级（MultiIndex）列标题。
    • None：表示文件没有标题行，Pandas 会自动生成默认的整数列名（0, 1, 2, …）。

示例：

假设你的 Excel 文件第一行有一些备注信息，而实际的数据标题从第二行开始（索引为 1）。

“`python

读取文件，指定第二行 (索引 1) 作为标题

df_with_header = pd.read_excel(excel_file_path, header=1)
print(“\n指定第二行作为标题:”)
print(df_with_header.head())
“`

文件没有标题行：

如果你的 Excel 文件不包含标题行，你希望将第一行数据作为第一行数据，而不是标题。

“`python

读取文件，指定没有标题行

df_no_header = pd.read_excel(excel_file_path, header=None)
print(“\n文件没有标题行:”)
print(df_no_header.head())
print(“\n自动生成的列名:”)
print(df_no_header.columns) # 查看自动生成的列名
“`

多级标题：

如果你的 Excel 文件有两行甚至多行共同构成了列标题，你可以使用列表来指定这些行。Pandas 会创建一个 MultiIndex 作为列索引。

假设你的 Excel 前两行如下：
| | Region | Sales | Marketing |
|——-|——–|——-|———–|
| Product | North | Amount | Expense |

你需要将索引为 0 和 1 的行都作为标题。

“`python

读取文件，指定第1行和第2行 (索引 0 和 1) 作为多级标题

df_multi_header = pd.read_excel(excel_file_path, header=[0, 1])
print(“\n读取多级标题:”)
print(df_multi_header.head())
print(“\n多级列名:”)
print(df_multi_header.columns) # 查看多级列索引
“`

3.3 指定索引列 (index_col)

index_col 参数用于指定哪一列或哪几列应该被用作 DataFrame 的行索引（Index）。默认情况下，Pandas 会生成一个从 0 开始的整数索引。使用数据中的某一列或多列作为索引，通常是因为这些列具有唯一标识性，方便后续基于索引的数据查找和对齐。

  • 默认值： None (使用默认的整数索引)
  • 可用值：
    • 整数索引 (例如：0, 1)：指定作为索引的列的索引。
    • 列名称字符串 (例如：'ID', 'Date')：使用列名称指定。
    • 整数索引列表或列名称列表 (例如：[0, 1], ['ID', 'Date'])：用于创建多级（MultiIndex）行索引。
    • False：明确表示不使用任何列作为索引，即使第一列可能看起来像索引。

示例：

假设你的销售数据中有一列名为 ‘Order ID’，并且每个订单 ID 都是唯一的，你想把它作为行索引。

“`python

读取文件，使用 ‘Order ID’ 列作为索引

df_with_index = pd.read_excel(excel_file_path, index_col=’Order ID’)
print(“\n指定 ‘Order ID’ 列作为索引:”)
print(df_with_index.head())
print(“\n索引名称:”)
print(df_with_index.index.name)
“`

使用多列作为索引：

如果你想使用 ‘Region’ 和 ‘Product’ 两列的组合作为多级索引。

“`python

读取文件，使用 ‘Region’ 和 ‘Product’ 列作为多级索引

df_multi_index = pd.read_excel(excel_file_path, index_col=[‘Region’, ‘Product’])
print(“\n使用多列作为多级索引:”)
print(df_multi_index.head())
print(“\n多级索引名称:”)
print(df_multi_index.index.names)
“`

3.4 选择需要的列 (usecols)

usecols 参数允许你仅读取 Excel 文件中的部分列，而不是加载所有列。这在处理包含大量列但你只需要其中一部分的大文件时非常有用，可以节省内存和提高读取速度。

  • 默认值： None (读取所有列)
  • 可用值：
    • 字符串列表 (例如：['Name', 'Sales'])：指定要读取的列的名称列表。
    • 整数索引列表 (例如：[0, 3, 4])：指定要读取的列的索引列表。
    • 字符串：用逗号分隔的 Excel 列字母 (例如：'A,C,D') 或范围 (例如：'A:C,E:G')。
    • 一个 callable 函数：接受列的 Excel 字母、名称和索引作为输入，返回布尔值判断是否包含该列。

示例：

假设你只需要销售数据中的 ‘Order ID’, ‘Product’, ‘Quantity’ 这三列。

使用列名称列表：

“`python

只读取指定的列

df_selected_cols_by_name = pd.read_excel(excel_file_path, usecols=[‘Order ID’, ‘Product’, ‘Quantity’])
print(“\n只读取指定的列 (按名称):”)
print(df_selected_cols_by_name.head())
print(“\n读取到的列名:”)
print(df_selected_cols_by_name.columns)
“`

使用列索引列表：

假设这三列分别是第 0, 1, 3 列。

“`python

只读取指定的列 (按索引)

df_selected_cols_by_index = pd.read_excel(excel_file_path, usecols=[0, 1, 3])
print(“\n只读取指定的列 (按索引):”)
print(df_selected_cols_by_index.head())
print(“\n读取到的列名:”)
print(df_selected_cols_by_index.columns)
“`

使用 Excel 列字母字符串：

假设这三列是 A, B, D 列。

“`python

只读取指定的列 (按 Excel 列字母)

注意：这种方式通常需要指定 header=None 或 header=0 才能正确映射

df_selected_cols_by_letter = pd.read_excel(excel_file_path, usecols=’A,B,D’)
print(“\n只读取指定的列 (按 Excel 列字母):”)
print(df_selected_cols_by_letter.head())
print(“\n读取到的列名:”)
print(df_selected_cols_by_letter.columns)
“`

3.5 指定列的数据类型 (dtype)

Pandas 会尝试自动推断每列的数据类型（例如，整数、浮点数、字符串、日期）。但有时，这种自动推断可能不准确，或者你希望强制某些列具有特定的数据类型（例如，将看起来像数字的列读取为字符串，以保留前导零）。dtype 参数允许你为列指定数据类型。

  • 默认值： None (自动推断数据类型)
  • 可用值：
    • 数据类型对象或名称字符串 (例如：int, float, str, bool, 'datetime64[ns]')。
    • 字典：将列名称映射到所需的数据类型 (例如：{'ColumnA': 'int64', 'ColumnB': 'str'})。

示例：

假设你的 ‘Order ID’ 列包含看起来像数字的值，但你希望它们被读取为字符串以保留可能的格式（如前导零 ‘001’）。假设 ‘Quantity’ 列应该总是整数。

“`python

指定 ‘Order ID’ 列为字符串，’Quantity’ 列为整数

dtype_mapping = {‘Order ID’: str, ‘Quantity’: int}
df_with_dtype = pd.read_excel(excel_file_path, dtype=dtype_mapping)
print(“\n指定列的数据类型:”)
print(df_with_dtype.head())
print(“\n指定数据类型后的数据框信息:”)
df_with_dtype.info()
“`

显式指定数据类型是一个很好的习惯，特别是对于大型数据集或数据类型推断容易出错的情况。

3.6 处理缺失值 (na_values)

Excel 文件中的空单元格在 Pandas 中默认会被读取为 NaN（Not a Number），这是 Pandas 表示缺失值的方式。然而，有时缺失值可能被表示为特定的字符串，例如 ‘N/A’, ‘Missing’, ‘-‘ 等。na_values 参数允许你指定哪些字符串应该被识别为缺失值并转换为 NaN。

  • 默认值： Pandas 默认会识别一些常见的表示缺失值的字符串。
  • 可用值：
    • 单个字符串 (例如：'N/A')。
    • 字符串列表 (例如：['N/A', 'Missing', '-'])。
    • 字典：将列名称映射到该列特有的缺失值字符串或列表 (例如：{'ColumnA': 'N/A', 'ColumnB': ['Missing', 'None']})。

示例：

假设你的 Excel 文件中，缺失的销售额被标记为 ‘N/A’，缺失的备注被标记为 ‘—’。

“`python

将 ‘N/A’ 和 ‘—’ 识别为缺失值

na_strings = [‘N/A’, ‘—’]
df_with_na = pd.read_excel(excel_file_path, na_values=na_strings)
print(“\n指定额外的缺失值表示:”)
print(df_with_na.head())
print(“\n指定缺失值后的数据框信息:”)
df_with_na.info() # 查看非空值数量的变化
“`

使用 na_values 可以帮助你更准确地将 Excel 中的各种缺失表示统一为 NaN，方便后续的缺失值处理。

3.7 跳过行 (skiprows)

有时，Excel 文件的顶部可能包含一些不属于数据表格的额外信息（如报告标题、生成日期等）。skiprows 参数允许你在读取数据时跳过这些行。

  • 默认值： None (不跳过任何行)
  • 可用值：
    • 整数：跳过文件开头的指定行数。
    • 列表或集合：指定要跳过的具体行号（从 0 开始计数）。

示例：

假设你的 Excel 文件前 3 行是文件描述信息，数据从第 4 行开始。

“`python

跳过文件开头的 3 行

df_skip_rows = pd.read_excel(excel_file_path, skiprows=3)
print(“\n跳过文件开头的 3 行:”)
print(df_skip_rows.head())
“`

跳过特定行号：

假设你想跳过文件中的第 0 行、第 2 行和第 5 行。

“`python

跳过指定的行号

df_skip_specific_rows = pd.read_excel(excel_file_path, skiprows=[0, 2, 5])
print(“\n跳过指定的行号:”)
print(df_skip_specific_rows.head())
“`

3.8 只读取部分行 (nrows)

对于非常大的 Excel 文件，你可能只想读取文件的前几行进行快速检查或测试。nrows 参数允许你指定要读取的最大行数（不包括标题行）。

  • 默认值： None (读取所有数据行)
  • 可用值：
    • 整数：指定要读取的数据行数。

示例：

只读取销售数据的前 100 行。

“`python

只读取数据的前 100 行

df_nrows = pd.read_excel(excel_file_path, nrows=100)
print(“\n只读取数据的前 100 行:”)
print(df_nrows.head())
print(f”\n实际读取到的行数: {len(df_nrows)}”)
“`

结合 skiprows 和 nrows，你可以灵活地从 Excel 文件中读取特定范围的数据。

3.9 解析日期列 (parse_dates)

如果你的 Excel 文件包含日期或时间数据，并且你希望 Pandas 将它们正确地识别为日期时间类型（datetime64[ns]），而不是字符串或数字，可以使用 parse_dates 参数。

  • 默认值： False (不尝试解析日期)
  • 可用值：
    • 布尔值 True: 尝试解析索引。如果 index_col 指定了列，并且该列看起来像日期，则尝试解析。
    • 整数索引列表或列名称列表 (例如：[0, 1], ['Date', 'Timestamp'])：指定要解析为日期时间的列。
    • 列表的列表 (例如：[[1, 2], [3, 4]]): 将指定的列组合起来解析为一个日期时间列。

示例：

假设你的销售数据中有一列名为 ‘Order Date’，包含了日期信息。

“`python

将 ‘Order Date’ 列解析为日期时间类型

df_parse_dates = pd.read_excel(excel_file_path, parse_dates=[‘Order Date’])
print(“\n将 ‘Order Date’ 列解析为日期时间:”)
print(df_parse_dates.head())
print(“\n解析日期后的数据框信息:”)
df_parse_dates.info() # 查看 ‘Order Date’ 列的数据类型是否变为 datetime64[ns]
“`

正确解析日期时间数据对于后续的时间序列分析、按日期过滤或聚合数据至关重要。

3.10 使用自定义函数转换数据 (converters)

converters 参数允许你在读取数据的同时，对某些列应用自定义的转换函数。这在你需要对特定列进行清洗或格式化时非常有用，例如移除字符串中的特定字符、转换单位等。

  • 默认值： None (不应用转换)
  • 可用值：
    • 字典：将列名称映射到应用于该列中每个值的函数 (例如：{'Price': lambda x: x * 100, 'Product': lambda x: x.lower()})。

示例：

假设 ‘Product’ 列包含产品名称，你希望将所有产品名称转换为小写。

“`python

使用 converter 将 ‘Product’ 列转换为小写

df_converters = pd.read_excel(excel_file_path, converters={‘Product’: lambda x: x.lower()})
print(“\n使用 converter 将 ‘Product’ 列转换为小写:”)
print(df_converters.head())
“`

请注意，converters 函数接收的是单元格的原始值，你需要确保你的函数能够处理可能的数据类型（如空值）。

3.11 指定引擎 (engine)

如前所述，Pandas 使用不同的后端引擎来读取不同格式的 Excel 文件。engine 参数允许你显式指定要使用的引擎。

  • 默认值： Pandas 会根据文件扩展名和已安装的库自动选择合适的引擎。
  • 可用值： 'xlrd', 'openpyxl', 'odfpy'。

示例：

虽然通常不需要手动指定，但在某些特定情况下（例如，强制使用某个引擎排查问题），可以使用此参数。

“`python

显式指定使用 openpyxl 引擎

try:
df_engine = pd.read_excel(excel_file_path, engine=’openpyxl’)
print(“\n显式指定使用 openpyxl 引擎读取:”)
print(df_engine.head())
except ImportError:
print(“错误：未安装 openpyxl 库，无法使用该引擎。”)
“`

4. 处理常见的读取问题

在使用 read_excel() 时，可能会遇到一些常见问题。了解这些问题及其解决方案有助于你更顺畅地处理 Excel 数据。

  • FileNotFoundError: 文件路径错误或文件不存在。请仔细检查文件路径是否正确，包括文件扩展名，并确保文件位于指定的位置。可以使用绝对路径来避免相对路径的混淆。
  • ImportError: 缺少必要的 Excel 引擎库（openpyxl 或 xlrd）。根据文件格式安装相应的库 (pip install openpyxl xlrd)。
  • 数据类型错误 (dtype issues): Pandas 推断的数据类型不正确，或者列中混杂了不同类型的数据。使用 dtype 参数显式指定列的数据类型。对于混合类型的数据，可以先读取为字符串 (dtype='str')，然后使用 Pandas 的类型转换函数 (pd.to_numeric, pd.to_datetime, astype) 进行更精细的转换和错误处理。
  • 标题行识别错误: 第一行不是标题，或者标题不在第一行。使用 header 参数指定正确的标题行。如果文件没有标题，使用 header=None。
  • 缺失值识别不全: 某些表示缺失的字符串未被识别为 NaN。使用 na_values 参数添加自定义的缺失值字符串。
  • 跳过了不该跳的行或未跳过应跳过的行: 检查 skiprows 参数是否正确指定了要跳过的行数或行号。
  • 读取速度慢或内存占用高: 对于非常大的文件，考虑使用 usecols 只读取必需的列，或者使用 nrows 只读取部分数据进行初步分析。对于超大型文件（虽然 read_excel 没有 read_csv 的 chunksize 参数直接支持分块读取，但你可以结合 skiprows 和循环来模拟分块读取），或者考虑将 Excel 转换为 CSV 格式再用 Pandas 读取，CSV 的读取效率通常更高且支持分块。
  • 合并单元格: Pandas 读取 Excel 时通常会忽略合并单元格的特殊显示效果，只读取左上角的单元格内容，其他合并的单元格会被读取为 NaN。如果合并单元格的数据结构对你的分析很重要，你可能需要在读取后进行额外的数据填充（例如使用 fillna 的 method='ffill' 或 method='bfill')。请注意，处理合并单元格可能比较复杂，取决于合并的方式和你的分析需求。
  • 读取特定区域的数据: 虽然 read_excel 没有直接的参数指定读取某个矩形区域（如 Excel 的 A1:C10），但你可以通过结合 header, usecols, skiprows, nrows 来达到类似的效果。例如，要读取 B2:D10 的数据，你可以设置 header=1 (如果标题在第 2 行)，skiprows=1 (跳过第 1 行)，usecols=['B', 'C', 'D'] 或对应的列索引，nrows=9 (从第 2 行开始，共 9 行)。这需要你对 Excel 文件的结构和 Pandas 参数的相互作用有深入理解。

5. 读取后的基本数据操作

成功将 Excel 数据加载到 DataFrame 后，你可以开始利用 Pandas 的强大功能进行数据处理。这里只列举几个最基本的操作，让你感受一下后续的可能性：

“`python

假设 df 已经通过 read_excel 成功加载

查看列名

print(“\n数据框列名:”)
print(df.columns)

选择单列数据 (返回一个 Series)

注意：如果列名中包含空格或特殊字符，需要使用方括号表示法

if ‘Quantity’ in df.columns:
quantity_series = df[‘Quantity’]
print(“\n选择 ‘Quantity’ 列:”)
print(quantity_series.head())

选择多列数据 (返回一个 DataFrame)

if ‘Product’ in df.columns and ‘Price’ in df.columns:
product_price_df = df[[‘Product’, ‘Price’]]
print(“\n选择 ‘Product’ 和 ‘Price’ 列:”)
print(product_price_df.head())

按条件筛选行

例如，筛选 Quantity 大于 10 的行

if ‘Quantity’ in df.columns:
high_quantity_sales = df[df[‘Quantity’] > 10]
print(“\n筛选 Quantity 大于 10 的行:”)
print(high_quantity_sales.head())

排序数据

if ‘Price’ in df.columns:
sorted_by_price = df.sort_values(by=’Price’, ascending=False)
print(“\n按 Price 降序排序:”)
print(sorted_by_price.head())

数据汇总统计

if ‘Quantity’ in df.columns and ‘Price’ in df.columns:
print(“\nQuantity 和 Price 的描述性统计:”)
print(df[[‘Quantity’, ‘Price’]].describe())
“`

这些只是 Pandas 数据操作的冰山一角。一旦数据进入 DataFrame，你可以进行各种清洗、转换、分组、聚合、合并等复杂操作，为后续的分析或建模打下基础。

6. 最佳实践建议

  • 明确文件路径: 始终使用明确的文件路径，最好是绝对路径，避免因当前工作目录变化导致 FileNotFoundError。
  • 安装必要引擎: 在开始前确保安装了 openpyxl 和 xlrd，以覆盖 .xlsx 和 .xls 两种常见格式。
  • 先探索文件: 在编写代码前，最好先用 Excel 软件打开文件，了解其结构：有多少个工作表？标题在哪一行？是否有额外的信息？数据从哪一行哪一列开始？哪些列是日期？哪些列可能包含特殊字符或表示缺失？这有助于你选择正确的 read_excel 参数。
  • 指定 sheet_name: 除非你确定只需要第一个工作表，否则明确指定 sheet_name 是个好习惯，可以避免未来文件结构变化带来的问题。
  • 指定 header: 如果标题不在第一行或没有标题，一定要使用 header 参数。
  • 使用 usecols: 对于大文件，只读取你需要的列。这能显著提高效率并减少内存占用。
  • 指定 dtype: 如果对某些列的数据类型有明确要求（特别是日期、数字作为字符串），使用 dtype 参数进行强制转换，避免自动推断错误。
  • 处理缺失值: 使用 na_values 确保所有表示缺失的字符串都被正确识别。
  • 处理日期: 使用 parse_dates 参数确保日期列被正确解析为日期时间类型。
  • 逐步构建代码: 对于复杂的 Excel 文件，不要试图一次性用所有参数解决问题。可以先用基本用法读取，然后根据需要逐步添加和调整参数，观察每次修改后的 DataFrame 结构和数据类型。
  • 错误处理: 使用 try...except 块来捕获文件不存在或其他读取过程中可能发生的错误，提高代码的健壮性。

7. 总结

Pandas 的 read_excel() 函数是 Python 进行 Excel 数据处理的强大入口。通过灵活运用 sheet_name, header, index_col, usecols, dtype, na_values, skiprows, nrows, parse_dates, converters 等参数，你可以轻松应对各种复杂结构的 Excel 文件，将数据准确、高效地加载到 DataFrame 中。

掌握了 read_excel() 的用法，你就迈出了使用 Pandas 进行数据分析的第一步。加载数据只是开始，接下来你可以利用 Pandas 丰富的 API 对数据进行清洗、转换、分析、可视化等操作，释放数据的巨大潜力。

希望这篇详细的入门指南能够帮助你理解并熟练使用 Pandas 读取 Excel 文件。现在，找一个 Excel 文件，动手尝试一下吧！实践是最好的学习方式。祝你数据处理愉快！

发表评论

您的邮箱地址不会被公开。 必填项已用 * 标注

滚动至顶部