Python pandas读取Excel指定Sheet：sheet_name参数用法详解

一、核心机制：sheet_name 的参数定位与数据载入逻辑

在调用 pandas.read_excel(io, sheet_name=0, ...) 时，io 指定文件路径或文件对象，而 sheet_name 决定读取的范围与返回的数据结构。初学者最容易产生的误解是认为“read_excel 永远返回一个 DataFrame”。实际上，pandas 会根据 sheet_name 传参类型的不同，动态改变返回值的数据类型。

当传入单个工作表标识（表名字符串或单个整数索引）时，函数直接返回一个 pandas.DataFrame；而当传入列表或 None 时，函数会返回一个 Python 原生字典 dict，字典的键为工作表名称或序号，值为对应的 DataFrame。理解这种映射关系，是后续数据清洗与分析流程不出现类型错误的前提。

二、基础操作：读取单个工作表（按名称与按索引）

日常任务中最常见的需求是仅提取工作簿中的某一特定表格。读取单表有两种主要策略：基于工作表标签名称（字符串）和基于工作表显示排列位置（从 0 开始的整数索引）。

1. 按工作表名称读取（推荐用于名称固定的正式环境）

如果 Excel 表的业务名称非常明确（例如 '2024Q1' 或 '月度销售汇总'），直接将表名作为字符串传入是最具自解释性的做法。这种方式即使未来有人在 Excel 中插入或挪动了工作表的前后顺序，代码依然能精准读取同名表格。

import pandas as pd

# 按工作表确切名称读取单一表格
file_path = "financial_report.xlsx"
df_q1 = pd.read_excel(file_path, sheet_name="2024Q1")

print(f"数据类型: {type(df_q1)}")
print(df_q1.head(2))

2. 按索引位置读取（适用于表名动态变化或取首表的场景）

pandas 中 sheet_name 默认为 0，表示读取 Excel 底部标签栏从左往右数第 1 个工作表。若需要读取第 2 个工作表，则传入 sheet_name=1，依此类推。

# 读取工作簿中的第一个工作表（与默认参数行为一致）
df_first = pd.read_excel(file_path, sheet_name=0)

# 读取第三个工作表
df_third = pd.read_excel(file_path, sheet_name=2)

按索引读取的优势在于无需关心表名具体叫什么（比如导出的系统报表表名每天都带有随机时间戳）。但缺点是如果人工在 Excel 内部拖动了标签页顺序，原本处于第 2 位的表格移动到第 3 位，代码读取的数据就会发生错位。

三、进阶操作：批量加载多个工作表（按列表与全量读取）

当一个 Excel 文件中存储了不同月份、不同部门或不同区域的同构数据时，逐个编写代码读取不仅繁琐，而且容易产生重复逻辑。此时可以利用列表批量指定，或传入 None 直接载入全簿。

1. 传入列表：定向提取多个指定表格

将需要的工作表标识组合成 Python 列表传给 sheet_name。列表内部元素可以全部为字符串，也可以全部为整数，甚至支持混合类型。此时函数返回一个以列表元素为键、对应 DataFrame 为值的字典。

# 仅读取 Q1 和 Q2 两个工作表
target_sheets = ["2024Q1", "2024Q2"]
sheets_dict = pd.read_excel(file_path, sheet_name=target_sheets)

print(f"返回值类型: {type(sheets_dict)}")
print(f"字典包含的键: {list(sheets_dict.keys())}")

# 通过字典键提取具体的 DataFrame 进行单表观察
df_q2 = sheets_dict["2024Q2"]
print(df_q2.shape)

2. 传入 None：动态读取工作簿中的所有有效表格

在不预先知道表格数量与具体命名的情况下，设置 sheet_name=None 是最优雅的解决方案。pandas 会扫描 Excel 文件的整个工作簿，将每一个未损坏的工作表读取并封装进字典中，字典的键即为各工作表的原始名称字符串。

# 载入工作簿中的全部工作表
all_sheets = pd.read_excel(file_path, sheet_name=None)

# 遍历字典打印每个表的行列维度
for sheet_title, df_data in all_sheets.items():
    print(f"工作表 [{sheet_title}] 包含 {df_data.shape[0]} 行，{df_data.shape[1]} 列")

四、常见陷阱与辨析：为什么我的 .head() 会抛出 AttributeError？

很多开发者在初次尝试 sheet_name=None 时，往往会直接书写如下代码：

# 常见错误写法
data = pd.read_excel("data.xlsx", sheet_name=None)
print(data.head())  # 触发崩溃！

运行后控制台会给出明确的报错：AttributeError: 'dict' object has no attribute 'head'。

产生这个问题的根源在于意识惯性。我们习惯了 read_excel 产出 DataFrame，但由于 sheet_name=None 代表多个并列的数据集，任何通用的表格操作（如 .head()、.info()、.describe()）都无法直接作用在字典容器上。要消费这些数据，通常有两种标准处理方式：

1. 按需索取：使用键访问对应表，例如 data['Sheet1'].head()。
2. 表格合并：若各 Sheet 结构统一（如 12 个月的月度明细），可使用 pd.concat 将字典内的所有 DataFrame 纵向堆叠为一个完整的大表。

多表纵向堆叠的标准代码模版

在合并多表时，如果希望保留数据来自哪个工作表的信息，建议将字典的 keys() 作为新增的层级索引，再通过 reset_index() 将其转化为常规数据列：

# 载入全部表格并合并，同时记录来源 Sheet 名
all_data = pd.read_excel(file_path, sheet_name=None)

# 纵向拼接并赋予层级名称
merged_df = pd.concat(all_data, names=["来源工作表", "行号"]).reset_index(level=0)
merged_df.reset_index(drop=True, inplace=True)

print(merged_df.head(4))

五、工程最佳实践：使用 pd.ExcelFile 进行轻量预检

直接在生产脚本中执行 sheet_name=None 会一次性将所有工作表装载入内存。对于包含数十个工作表、体积极大的 Excel 文件，这会引起严重的 IO 开销甚至触发内存溢出（OOM）。

更为稳妥且专业的工程做法是：利用 pd.ExcelFile 对象先进行元数据嗅探。pd.ExcelFile 在初始化时仅快速读取文件目录与表名清单，不会立刻解析每一个 Sheet 的具体数据单元格。

import pandas as pd

excel_path = "large_business_data.xlsx"

# 1. 仅载入工作簿元数据结构，不解析全部数据单元格
with pd.ExcelFile(excel_path) as xls:
    available_sheets = xls.sheet_names
    print(f"工作簿包含的有效工作表: {available_sheets}")
    
    # 2. 编写防御性过滤逻辑，例如只读取包含 '2024' 的业务表，排除 '说明' 和 '草稿'
    target_sheets = [s for s in available_sheets if "2024" in s]
    
    # 3. 复用 ExcelFile 对象定向解析目标表，避免重复开启文件流
    clean_dict = {s: pd.read_excel(xls, sheet_name=s) for s in target_sheets}

print(f"成功安全载入 {len(clean_dict)} 个目标表格")

六、sheet_name 参数取值决策速查

为了方便在实际开发中快速选用合适的参数，以下整理了 sheet_name 的各种传参场景与行为对比：

七、总结

pandas.read_excel 中的 sheet_name 参数虽小，但承载了 Excel 单表与多表解析的核心分支。掌握其核心规律只需牢记两点：

• 单输入得单表：传入单个字符串或单个整数，得到的是单个 DataFrame，可直接调用链式数据处理方法。
• 多输入得字典：传入列表或 None，得到的是包含多个 DataFrame 的字典，需要解包或通过 pd.concat 合并后再行分析。

在面对大型自动化流程或团队协作文件时，结合 pd.ExcelFile.sheet_names 进行先期名称嗅探与校验，能够将许多不易察觉的路径与格式错误消灭在数据加载阶段。