本文為作者原創，未經允許不得擅自轉載。

Excel是微軟的經典之作，在日常工作中的資料整理、分析和視覺化方面，有其獨到的優勢，尤其在你熟練應用了函式和資料透視等高階功能之後，Excel可以大幅度提高你的工作效率。但如果資料量超大，Excel的劣勢也就隨之而來，甚至因為記憶體溢位無法開啟檔案，後續的分析更是難上加難。那麼，有什麼更好的解決辦法嗎？工欲善其事，必先利其器，在這裡我們介紹使用Python的pandas資料分析包來解決此問題。

pd.read_excel(io, sheet_name=0, header=0, names=None, index_col=None, 
              usecols=None, squeeze=False,dtype=None, engine=None, 
              converters=None, true_values=None, false_values=None, 
              skiprows=None, nrows=None, na_values=None, parse_dates=False, 
              date_parser=None, thousands=None, comment=None, skipfooter=0, 
              convert_float=True, **kwds)
 

pandas讀取Excel後返回DataFrame，接下來我們就pd.read_excel()的常用引數進行詳細解析。

目錄

【文中使用英超、西甲的排名積分榜及射手榜作為原始資料~~~】

1、io，Excel的儲存路徑

•  建議使用英文路徑以及英文命名方式。

import pandas as pd
io = r'C:\Users\Administrator\Desktop\data.xlsx'

2、sheet_name，要讀取的工作表名稱

• 可以是整型數字、列表名或SheetN，也可以是上述三種組成的列表。

• 整型數字：目標sheet所在的位置，以0為起始

  ，比如sheet_name = 1代表第2個工作表。

data = pd.read_excel(io, sheet_name = 1)
data.head()

• 列表名：目標sheet的名稱，中英文皆可。

data = pd.read_excel(io, sheet_name = '英超射手榜')
data.head()

• SheetN：代表第N個sheet，S要大寫，注意與整型數字的區別。

data = pd.read_excel(io, sheet_name = 'Sheet5')
data.head()

• 組合列表： sheet_name = [0, '英超射手榜', 'Sheet4']，代表讀取三個工作表，分別為第1個工作表、名為“英超射手榜”的工作表和第4個工作表。顯然，Sheet4未經重新命名。
• sheet_name 預設為0，取Excel第一個工作表。如果讀取多個工作表，則顯示表格的字典。對於初學者而言，建議每次讀取一個工作表，然後進行二次整合。

data = pd.read_excel(io, sheet_name = ['英超積分榜', '西甲積分榜'], nrows = 5)
# sheet_name = ['英超積分榜', '西甲積分榜'] ，返回兩個工作表組成的字典
data

3、header， 用哪一行作列名

•  預設為0 ，如果設定為[0,1]，則表示將前兩行作為多重索引。

data = pd.read_excel(io, sheet_name = '英超積分榜', header = [0,1]) 
# 前兩行作為列名。
data.head()

4、names， 自定義最終的列名

• 一般適用於Excel缺少列名，或者需要重新定義列名的情況。
• 注意：names的長度必須和Excel列長度一致，否則會報錯。

data = pd.read_excel(io, sheet_name = '英超射手榜', 
                     names = ['rank','player','club','goal','common_goal','penalty'])
data.head()

5、index_col， 用作索引的列

• 可以是工作表列名稱，如index_col = '排名'；
• 可以是整型或整型列表，如index_col = 0 或 [0, 1]，如果選擇多個列，則返回多重索引。

data = pd.read_excel(io, sheet_name = '英超射手榜', index_col = '排名')
data.head()

data = pd.read_excel(io, sheet_name = '英超射手榜', index_col = [0, 1])
data.head()

6、usecols，需要讀取哪些列

• 可以使用整型，從0開始，如[0,2,3]；
• 可以使用Excel傳統的列名“A”、“B”等字母，如“A：C, E” ="A, B, C, E"，注意兩邊都包括。
• usecols 可避免讀取全量資料，而是以分析需求為導向選擇特定資料，可以大幅提高效率。

data = pd.read_excel(io, sheet_name = '西甲射手榜', usecols = [0, 1, 3])
data.head()

data = pd.read_excel(io, sheet_name = '西甲射手榜', usecols = 'A:C, E')
data.head()
# 啊？什麼！！為啥不見C羅？？
# 大佬，C羅轉會去尤文圖斯啦~~~~

7、squeeze，當資料僅包含一列

•  squeeze為True時，返回Series，反之返回DataFrame。

data = pd.read_excel(io, sheet_name = 'squeeze', squeeze  = True)
data.head()

data = pd.read_excel(io, sheet_name = 'squeeze', squeeze  = False)
data.head()

8、converters ，強制規定列資料型別

• converters = {'排名': str, '場次': int}， 將“排名”列資料型別強制規定為字串（pandas預設將文字類的資料讀取為整型），“場次”列強制規定為整型；

• 主要用途：保留以文字形式儲存的數字。

data = pd.read_excel(io, sheet_name = 'converters')
data['排名'].dtype

data = pd.read_excel(io, sheet_name = 'converters', converters = {'排名': str, '場次': float})
data['排名'].dtype

9、skiprows，跳過特定行

•  skiprows= n， 跳過前n行； skiprows = [a, b, c]，跳過第a+1,b+1,c+1行（索引從0開始）；
• 使用skiprows 後，有可能首行（即列名）也會被跳過。

data = pd.read_excel(io, sheet_name = '英超射手榜', skiprows = [1,2,3]) 
# 跳過第2,3,4行資料（索引從0開始，包括列名）
data.head()

data = pd.read_excel(io, sheet_name = '英超射手榜', skiprows = 3)
data.head()

10、nrows ，需要讀取的行數

• 如果只想瞭解Excel的列名及概況，不必讀取全量資料，nrows會十分有用。 

data = pd.read_excel(io, sheet_name = '英超射手榜', nrows = 10)
data

11、skipfooter ， 跳過末尾n行

data = pd.read_excel(r'C:\Users\Administrator\Desktop\data.xlsx' , 
                     sheet_name = '英超射手榜', skipfooter = 43)
#  skipfooter = 43， 跳過末尾43行（索引從0開始）
data

歡迎搜尋今日頭條“海闊天空愛閱讀”，欣賞更多文章~~