python读excel文件最佳实践？直接请教pandas比gpt还好用

前言

说到 python 读取 excel 文件，网上使用 openpyxl 的文章一大堆。我自己很少直接使用 openpyxl，一般使用 pandas 间接使用。

但如果你不希望引入 pandas，该如何轻松使用 openpyxl？到底有没有最佳实践写法？

这好办，今天就带大家看看 pandas 里面，是如何使用 openpyxl 读取 excel 文件。

不要忘记一键三连。你的点赞、收藏、关注，是我创作的动力。

本文查看的是 pandas 2.1.4 版本的代码。

使用任何能导航代码的 ide，我使用的是 vscode ，输入 pandas 的 read_excel 方法，按住 ctrl 键，鼠标点击方法，即可进入源码文件。

通过查找，你会找到一个很重要的类定义 ExcelFile :

众所周知，pandas 能指定不同的第三方库读写 excel 文件。今天我们只看 openpyxl 。进去查看，基本上所有的读取逻辑都在这个类里面。

很明显，这是读取文件的代码。由于只需要读取，设置 read only 和 data only ，能以最优性能执行。

接着是工作表相关:

有了具体的某个工作表对象，下一步就是最重要的加载数据，现在才是我们最关注的地方。到底 pandas 是如何组织代码？代码中一些奇怪的操作，是为什么？我们一一拆解。

行 612 是什么鬼？通过查 openpyxl 的文档，可以知道，原来有些程序(wps？)或库，在保存文件的时候，会写入关于工作表数据的范围最大行和列的信息。但是他们有可能会写错，通过 reset_dimensions 可以重置

接着就开始遍历读取:

同时我们注意到，行 614 和 623，这就是读取出来的所有数据，是一个 嵌套 list 结构。

但是，里面竟然有一个 while 循环？

原来，如果用户设置了一个单元格的格式，即使没有内容，也算一个有效的单元格。

此时如果只是正常遍历读取，得到的结果是

所以 while 循环就是移除这些多余的空单元格

如果这种"假单元格"出现在数据行下方:

此时就多了许多空行

所以，pandas 在遍历过程中，记录了最后有记录的行索引，遍历后截取一下就可以搞定：

看起来好像结束了？对于 pandas 来说，还没完

对于 pandas 来说，最终它会把得到的嵌套 list 数据传给 pd.DataFrame 。这里有一个前提，嵌套的每一行的列表长度必需一致才行。

但是行的长度有可能不一致。所以你会看到 pandas 的处理中，最后有一段逻辑用于补齐这些"短列表"

可以注意到，其中有3处地方在遍历 data 数据。所以，如果记录越多，这里就比较耗时。你能想到优化的方法吗?