Python中pandas与openpyxl读取Excel的区别与选择

在 Python 中读取和处理 Excel 文件时，pandas 和 openpyxl 是最常被选择的两个库。简单来说，如果你的主要目标是数据分析、数据清洗、多表合并或批量统计，应当优先选择 pandas；如果你需要保留原工作表的单元格样式、公式定义、图表，或者只针对特定坐标的单元格进行低开销读取，openpyxl 是更合适的工具。事实上，pandas 在读取现代 .xlsx 格式文件时，底层默认调用的正是 openpyxl 引擎。理解两者的定位差异与能力边界，能帮助我们在实际工程中做出高效、合理的选型。

一、定位差异与核心数据模型

理解两个库区别的关键，在于明确它们各自建立在何种“数据世界观”之上。pandas 是为结构化矩阵数据分析而生的顶层框架，而 openpyxl 则是基于 Office Open XML 标准实现的文档对象模型（DOM）解析器。

pandas 将 Excel 文件视作扁平的二维数据表。当使用 pandas.read_excel() 时，它会主动剥离与业务计算无关的外观信息（如字体颜色、背景填充、边框样式、列宽行高等），并将表格中的行列组织为具有统一数据类型的连续内存向量（即 DataFrame 和 Series）。这种模型非常适合进行向量化数学计算、分组汇总和缺失值填充。

相比之下，openpyxl 将 Excel 文件视作层次分明的文档树：Workbook（工作簿）包含多个 Worksheet（工作表），工作表由具体的 Cell（单元格）按坐标网格构成。每一个 Cell 都是一个完整的独立对象，不仅保存了数值本身，还绑定了数据格式代码（Number Format）、显示样式（Font, PatternFill, Border）、批注（Comment）以及原始计算公式文本。

二、读取代码与操作步骤对比

在实际编码中，两者从加载文件到访问特定数据的步骤和代码风格有显著不同。下面以读取同一个 sales_data.xlsx 为例，展示典型的读取代码。

1. pandas 读取操作

使用 pandas 读取时，通常仅需一行核心函数调用即可完成解析，并能直接在参数中限定所需行和列：

import pandas as pd

# 读取指定的 Sheet，并仅载入需要的列
df = pd.read_excel(
    'sales_data.xlsx',
    sheet_name='2024Q1',
    usecols=['订单号', '客户名称', '销售金额', '销售日期']
)

# 直接进行统计或筛选
print("平均销售金额:", df['销售金额'].mean())
print(df.head(3))

在该过程中，pandas 自动将首行识别为表头，并将日期字符串转换为 datetime64 对象，缺失的单元格统一映射为 NaN，开发者可以直接调用向量化统计函数。

2. openpyxl 读取操作

使用 openpyxl 时，需要显式加载工作簿并定位到具体工作表，然后按行、按列或通过坐标访问单元格：

from openpyxl import load_workbook

# 加载工作簿；若需读取上次保存的计算值而非公式文本，传入 data_only=True
wb = load_workbook('sales_data.xlsx', data_only=True)
sheet = wb['2024Q1']

# 方式一：精确定位特定单元格
target_cell = sheet['C2']
print("C2单元格值:", target_cell.value)
print("数字格式:", target_cell.number_format)

# 方式二：遍历行数据
for row in sheet.iter_rows(min_row=2, max_row=5, values_only=True):
    print(row)

这种交互方式赋予了开发者对文档结构的精准控制力，但如果需要进行“求均值”或“分组求和”，则需要开发者自行手写循环与异常检查逻辑。

三、核心差异点深入对比

在工程实践中，两者不仅是语法层面的差异，在执行效率、格式与公式保留、大文件流式处理等方面有本质区别。

1. 格式与样式保留

pandas 在读取完成后，所有的单元格背景色、字体颜色、粗体设置、边框及对齐方式都会被丢弃。它无法告诉你“A3 单元格是否标红”。而 openpyxl 忠实地保留所有样式信息，你可以通过 cell.font.color、cell.fill.start_color 检查标注状态，这对于根据业务审批颜色进行数据判定的场景不可或缺。

2. 公式与计算值处理

在 Excel 中，单元格可能包含公式（例如 =SUM(B2:B10)），同时也记录了上一次在 Excel 软件中保存时的计算结果：

• pandas 默认仅能读取上一次计算好的数值缓存。如果该文件由某些简易第三方程序生成且从未被 Excel 计算过，pandas 读取该单元格可能会得到空值 NaN。
• openpyxl 提供 data_only 参数：设置为 False 时，cell.value 返回公式字符串 '=SUM(B2:B10)'；设置为 True 时，返回已缓存的计算数值。

3. 内存消耗与大文件处理

当 Excel 文件体量达到几十兆甚至几百兆时，两者的表现截然不同：

• pandas 会将整表所有列解析入内存，形成紧凑的 NumPy 数组。虽然单次读取耗费峰值内存较大，但一旦载入完成，其后续切片和过滤速度极快。
• openpyxl 默认会为每个单元格实例化一个 Python 字典和对象，对象开销大，全量载入时内存膨胀明显。但它提供了极具价值的 只读流式模式：load_workbook(..., read_only=True)。该模式基于 XML SAX 流式解析，不构建全量内存树，以生成器形式按需迭代行，可稳定处理百万行量级的超大报表而不会耗尽内存。

四、选型判断准则与决策流程

在面对具体的工程任务时，可以根据以下明确的判定条件进行选择：

选用 pandas 的典型场景

1. 数据清洗与转换：表格包含大批需要重命名列名、填补缺失值、转换时间格式、去除重复行的规范化数据。
2. 跨表关联与数学运算：需要将多个 Sheet 或外部 CSV 数据库表进行 merge / join，或做多维度透视统计（pivot_table）。
3. 直接对接入下游工具：读取数据后需要紧接着导入 Scikit-learn 进行机器学习建模，或使用 Matplotlib、Seaborn 进行数据可视化。

选用 openpyxl 的典型场景

1. 基于模板自动化：读取既有 Excel 模板，保留原有的页眉、公司 Logo、单元格背景高亮、条件格式和打印区域，仅在特定空位填充数据。
2. 格式审核与批注读取：业务系统需要检查上传的 Excel 中哪些行被人工标记为了“黄色底纹”，或者需要提取单元格内的批注（Comment）。
3. 超大文件的低内存顺序读取：运行环境内存极为受限（如轻量级容器或嵌入式脚本），需要读取数十万行订单记录，此时借助 read_only=True 逐行迭代最为安全。

五、常见问题与工程避坑指南

六、总结

在 Python 生态中，pandas 与 openpyxl 不是非此即彼的对立关系，而是分工互补的工程协作工具。针对以数值统计、数据清洗、多表汇总为核心的分析型业务，直接使用 pandas 能最大程度减少样板代码并获得极致的计算效率；针对需要保持表格精美排版、保留公式语法、读取格式标注或在微型环境中流式扫描超大文件的场景，openpyxl 提供了更加精细与原生的控制力。结合业务目标与资源约束选择最匹配的工具，是构建高健壮性数据处理流程的基石。