Python Pandas读取Excel多Sheet性能对比与优化方案
发布时间：2026-10-14 |
3人浏览过
本文对比了三种使用Python Pandas库读取Excel文件中多个Sheet的方法。通过实际运行结果分析，方法1直接读取返回字典，方法2和3通过ExcelFile对象遍历Sheet，结果显示后两种方法在处理多Sheet时效率更高。文章提供了具体代码实现及解析结果，帮助开发者选择更高效的读取策略。
Python Pandas读取Excel多Sheet性能对比与优化方案
本文主要探讨在使用Python的Pandas库读取包含多个Sheet的Excel文件时，不同实现方式的性能差异与适用场景。
# 方法1
def read_excel(path):
df=pd.read_excel(path,None)
print(df.keys())
# for k,v in df.items():
# print(k)
# print(v)
# print(type(v))
return df
# 方法2
def read_excel1(path):
data_xls = pd.ExcelFile(path)
print(data_xls.sheet_names)
data={}
for name in data_xls.sheet_names:
df=data_xls.parse(sheetname=name,header=None)
data[name]=df
# print(df)
# print(name)
return data
# 方法3
def read_excel2(path):
data_xls = pd.io.excel.ExcelFile(path)
data={}
print(data_xls.sheet_names)
for name in data_xls.sheet_names:
df=pd.read_excel(data_xls,sheetname=name,header=None)
data[name]=df
return data
运行结果分析
以下是三种方法在实际测试中的运行表现及数据输出情况。
效率结论
综合对比可知，在需要读取Excel文件中多个Sheet的场景下，方法2和方法3的执行效率明显优于方法1。
核心问题解析
核心问题在于如何高效地获取并处理Excel文件中所有Sheet的数据，避免冗余操作和内存浪费。
方法1：直接读取解析
方法1通过pd.read_excel(path, None)直接读取，返回一个以Sheet名为键、DataFrame为值的字典。这种方式代码简洁，但在处理大量Sheet时可能不够灵活。
方法2：ExcelFile对象解析
方法2使用pd.ExcelFile(path)创建ExcelFile对象，先获取sheet_names，再循环调用parse方法逐个解析Sheet。这种方式可以灵活控制每个Sheet的读取参数，如header等。
方法3：底层模块调用解析
方法3与方法2类似，但使用了pd.io.excel.ExcelFile(path)显式调用底层模块，同样通过循环遍历Sheet_names进行解析。两者在逻辑上相近，但API调用路径略有不同。
希望上述关于Python Pandas读取Excel多Sheet的性能对比与解决方案能对读者有所帮助，欢迎参考并根据实际需求选择合适的方法。
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
