Python读取Excel文件：pandas与openpyxl库的选择与基础用法

一、两个库的核心差异与技术选型依据

初学者在面对 Excel 文件（尤其是主流的 .xlsx 格式）时，常困惑于为何同一个需求既能搜到 pd.read_excel，又能搜到 load_workbook。根本原因在于两者的设计目标与底层数据模型完全不同。

pandas 是面向数据科学设计的分析库。它将 Excel 视作纯粹的“二维关系型数据表”，读取时自动把行列内容打包为 DataFrame 对象。在这一过程中，所有视觉修饰（包括单元格背景色、边框样式、字体大小、冻结窗格）都会被主动剥离，只保留结构化的行列值与列名。这赋予了 pandas 极高的批量统计与过滤效率。

openpyxl 则是严格遵循 Office Open XML 标准实现的文档对象模型（DOM）库。它把工作簿看作一棵完整的对象树（Workbook > Worksheet > Cell）。每一个单元格不仅是一个数值，还包含了数据类型、公式字符串、边框、填充以及批注。openpyxl 的优势在于“精准控制与格式保真”，但对逐个单元格的 Python 原生对象封装也带来了相对较高的内存与遍历开销。

二、运行环境准备与依赖关联

现代 Excel 的主流格式为 .xlsx。在 Python 环境中，pandas 在调用 read_excel() 处理 .xlsx 文件时，底层其实默认调用了 openpyxl 作为解析引擎。因此，最稳妥的实践是同时安装这两个库。

# 在终端或命令行环境安装必要依赖库
pip install pandas openpyxl

安装完成后，可在 Python 代码中分别导入模块：

import pandas as pd
from openpyxl import load_workbook

三、使用 pandas 读取 Excel 的基础用法与核心参数

使用 pandas 读取 Excel 的核心函数是 pd.read_excel()。默认情况下，只需传入文件路径即可快速加载数据：

import pandas as pd

# 最基础的读取方式：默认加载第一个工作表，并将首行作为列索引
df = pd.read_excel('sales_data.xlsx')

# 打印前 5 行数据（示例观察）
print(df.head())

常用关键参数详解

现实中的 Excel 文件往往存在多表混合、首行说明文字、前导零字段被吞等问题。通过配置以下关键参数，可以实现对输入数据的精准把控：

典型生产级读取代码示例

import pandas as pd

# 规范化加载：指定工作表、选取指定列、跳过顶部2行、强制指定文本类型
df = pd.read_excel(
    'sales_data.xlsx',
    sheet_name='11月明细',
    skiprows=2,
    usecols='B:F',
    dtype={'员工工号': str, '联系电话': str},
    na_values=['N/A', '--', '暂无']
)

# 数据加载后的质量校验
print("表格维度 (行数, 列数):", df.shape)
print("
各列字段与数据类型概览:")
df.info()

四、使用 openpyxl 读取 Excel 的基础用法与细节控制

当需要感知工作簿的元数据、提取特定单元格坐标、读取计算公式本身时，应当采用 openpyxl。openpyxl 遵循面向对象的层次化操作。

步骤一：加载工作簿与核心参数 data_only

读取工作簿使用 load_workbook() 函数。这里最关键的参数是 data_only：

• data_only=False（默认）：如果单元格中写有公式（如 =SUM(A1:A5)），读取到的是公式表达式字符串。
• data_only=True：读取该单元格在 Excel 软件上一次保存时计算出的缓存结果值。

from openpyxl import load_workbook

# 载入工作簿，开启 data_only 获取计算值
wb = load_workbook('sales_data.xlsx', data_only=True)

# 查看全部工作表名称
sheet_list = wb.sheetnames
print("工作表列表:", sheet_list)

# 获取指定工作表或当前活动表
ws = wb['11月明细']  # 按照名称选取
# ws = wb.active  # 或直接选取当前活动工作表

步骤二：访问单元格的三种常用方法

1. 按 Excel 坐标直接访问：这是最符合人脑直觉的方式，适合读取离散的固定指标。

cell_a1 = ws['A1']
print("A1的值:", cell_a1.value)
print("A1的数据类型:", cell_a1.data_type)

2. 按行号列号数字访问（基于1起始）：适合配合 for 循环按行列步进。

# 注意：openpyxl 的 row 和 column 索引都是从 1 开始的，区别于 Python 常规的 0 起始切片
val = ws.cell(row=3, column=2).value
print("第3行第2列的值:", val)

3. 使用 iter_rows 批量生成器遍历：处理整片数据区域时，iter_rows() 是性能最高、代码最优雅的方案。配合 values_only=True 可以跳过 Cell 对象封装，直接获取纯数值元组。

# 遍历读取第2行到第10行、第1列到第4列的数据
for row in ws.iter_rows(min_row=2, max_row=10, min_col=1, max_col=4, values_only=True):
    # 每一行都是一个 Python 原生元组，如 ('0102', '张敏', '华东区', 14200.0)
    print(row)

# 养成良好习惯：完成读取后关闭工作簿句柄
wb.close()

五、综合对比与生产环境避坑指南

常见问题排查与注意事项

1. 问题一：openpyxl 读取带公式的单元格返回 None
   原因解释：设置了 data_only=True 时，openpyxl 并不会自行运行公式计算引擎，它读取的是 Excel 软件在上次保存文件时预存在 XML 缓存里的计算值。如果该文件是由某些第三方程序生成的，而从未在真实 Excel 中打开并点击“保存”，则该缓存值为空。
   解决办法：在 Microsoft Excel 或 WPS 中打开该文件并按 Ctrl+S 重新保存一次；若无需计算值，改用 data_only=False 读取原始公式。
2. 问题二：工号、手机号、身份证号前面的“0”丢失
   原因解释：pandas 默认会根据列内数值尝试自动推断数据类型，纯数字组成的字符串容易被推断为 int64。
   解决办法：在 pd.read_excel 中明确通过 dtype={'字段名': str} 强制将其锁定为字符串类型。
3. 问题三：超大 Excel 文件（数万行以上）读取缓慢甚至内存溢出
   原因解释：openpyxl 默认构建全部单元格对象树，极为消耗内存。
   解决办法：使用 openpyxl 时开启只读流模式：load_workbook(filename, read_only=True)；或者使用 pandas 时利用参数 nrows 分段，或转向更底层的 calamine 引擎加速读取。