在数据分析流程中，“数据加载” 是第一步 —— 只有把 Excel/CSV 里的原始数据导入到 Python 中，才能进行后续的清洗、分析和可视化。而 pandas 作为 Python 数据分析的 “瑞士军刀”，提供了极简的 API 来读取 Excel/CSV 文件，同时自带强大的 “数据初探” 工具，能帮你快速摸清数据的 “底细”（比如有多少行多少列、数据类型是什么、有没有缺失值）。

今天这篇教程，从零基础视角出发，分 3 大模块讲解：环境准备→读取 Excel/CSV（含踩坑指南）→数据基本信息查看（实战技巧），所有代码可直接复制运行，帮你轻松迈过数据分析的第一道坎。

一、先做准备：安装 pandas 及依赖库

pandas 本身不自带读取 Excel 的能力，需要额外安装依赖库；读取 CSV 则无需额外依赖。先确保你的环境里有这些库，新手直接用pip安装即可：

1. 安装核心库（一行命令）

打开终端（Windows 用 cmd，Mac 用终端），输入以下命令：

# 安装pandas（核心）+ openpyxl（读取Excel 2007+格式.xlsx）+ xlrd（读取旧版Excel .xls格式）

pip install pandas openpyxl xlrd

2. 依赖库说明（避免踩坑）

  1. pandas：核心库，负责数据加载和处理；
  2. openpyxl：必须装！用于读取.xlsx格式的 Excel 文件（2007 及以后版本，现在主流格式）；
  3. xlrd：用于读取.xls格式的旧版 Excel 文件（如果你的数据是.xls，才需要装；新版 xlrd 默认不支持.xlsx，所以必须配合 openpyxl）。

安装完成后，在 Python 中导入 pandas（惯例简写为pd）：

import pandas as pd  # 导入pandas，简写为pd（行业通用）

二、读取 CSV 文件：最常用的文本数据格式

CSV（逗号分隔值）是数据分析中最常用的格式 —— 体积小、兼容性强，几乎所有工具（Excel、Python、R）都能处理。pandas 用pd.read_csv()读取，基础用法超简单，重点解决 “中文乱码”“指定列读取” 等新手常见问题。

1. 基础读取：1 行代码加载 CSV

假设有一个销售数据.csv文件，内容如下（存放在代码同一目录下，路径最简单）：

日期

产品类别

销售额

销量

地区

2024-01-01

家电

5200

26

华北

2024-01-02

服装

3800

95

华东

2024-01-03

家电

6500

32

华南

2024-01-04

食品

1200

240

华北

读取代码：

# 读取CSV文件（文件和代码同一目录，直接写文件名）

df = pd.read_csv("销售数据.csv")  # df是DataFrame，pandas的核心数据结构（类似Excel表格）

# 打印数据类型，确认读取成功

print("数据类型：", type(df))  # 输出：数据类型： <class 'pandas.core.frame.DataFrame'>
  1. 关键概念：DataFrame（简称 “df”）是 pandas 的 “表格型数据结构”，对应 Excel 的 “工作表”—— 有行索引（左侧数字）、列名（顶部标题），每个单元格有对应的值，是后续所有分析的基础。

2. 解决新手第一坑：中文乱码（encoding 参数）

如果 CSV 文件包含中文，直接读取可能出现乱码（比如 “华北” 变成 “北区”），这是因为文件编码格式和 pandas 默认编码（utf-8）不匹配。

常见编码及解决方案：

乱码原因

编码参数

适用场景

文件是 GBK 编码（Windows 保存的 CSV 常这样）

encoding="gbk"

中文 Windows 系统保存的 CSV

文件是 UTF-8 编码（Mac/Linux 常用）

encoding="utf-8"

默认值，大部分情况适用

UTF-8 编码但带 BOM（少见）

encoding="utf-8-sig"

解决 “utf-8 编码仍乱码” 问题
代码示例（解决 GBK 编码乱码）：

# 如果读取时中文乱码，加encoding="gbk"

df = pd.read_csv("销售数据.csv", encoding="gbk")
  1. 怎么判断编码？：如果不确定文件编码，先试utf-8，乱码再试gbk，90% 的中文 CSV 问题都能解决。

3. 实用参数：按需求读取（不是所有数据都要加载）

实际工作中，CSV 文件可能有几十列、几万行，我们往往只需要其中几列 —— 用read_csv()的参数筛选，避免加载无用数据，提升效率。

常用参数及案例：

参数名

作用

示例代码

效果

usecols

指定要读取的列（列名或索引）

pd.read_csv("销售数据.csv", usecols=["日期", "销售额", "地区"])

只读取 “日期、销售额、地区”3 列

index_col

指定某列为 “行索引”（代替默认数字）

pd.read_csv("销售数据.csv", index_col="日期")

用 “日期” 列作为行索引（左侧不再是 0,1,2）

skiprows

跳过前 N 行（比如跳过标题上方的注释）

pd.read_csv("销售数据.csv", skiprows=1)

跳过第 1 行，从第 2 行开始读（如果第 1 行是注释）

nrows

只读取前 N 行（快速预览大文件）

pd.read_csv("销售数据.csv", nrows=100)

只读取前 100 行（适合 GB 级大文件，避免卡死）
案例：读取指定列 + 用日期做行索引

# 只读取“日期、产品类别、销售额”3列，并用“日期”做行索引

df = pd.read_csv(

    "销售数据.csv",

    usecols=["日期", "产品类别", "销售额"],  # 指定列

    index_col="日期"                     # 行索引

)

print(df.head())  # 打印前5行（后续会讲head()）

# 输出（行索引变成日期）：

#             产品类别  销售额

# 日期                 

# 2024-01-01     家电   5200

# 2024-01-02     服装   3800

# 2024-01-03     家电   6500

# 2024-01-04     食品   1200

三、读取 Excel 文件：支持多工作表、复杂格式

Excel 比 CSV 更复杂（支持多工作表、合并单元格、公式），pandas 用pd.read_excel()读取，核心解决 “指定工作表”“处理合并单元格” 等问题。

1. 基础读取：读取 Excel 默认工作表

假设有一个销售数据.xlsx文件，包含 2 个工作表：“1 月销售”（默认工作表，即打开 Excel 显示的第一个表）和 “2 月销售”，先读取默认工作表：

# 读取Excel默认工作表（需要指定engine="openpyxl"，否则可能报错）

df = pd.read_excel("销售数据.xlsx", engine="openpyxl")  # engine必须加，确保读取.xlsx

print("默认工作表数据：")

print(df.head())
  1. 为什么加engine="openpyxl"？：pandas 默认可能调用xlrd读取 Excel，但新版xlrd不支持.xlsx格式，所以必须明确指定用openpyxl引擎（对应我们之前装的库）。如果是旧版.xls文件，引擎用engine="xlrd"。

2. 指定工作表读取（sheet_name 参数）

这是读取 Excel 最常用的需求 —— 比如只读取 “2 月销售” 工作表，有 3 种指定方式：

指定方式

示例代码

说明

工作表名称（推荐）

pd.read_excel("销售数据.xlsx", engine="openpyxl", sheet_name="2月销售")

直接写工作表名，清晰不易错

工作表索引（从 0 开始）

pd.read_excel("销售数据.xlsx", engine="openpyxl", sheet_name=1)

0 是第一个表，1 是第二个表（适合表名复杂时）

读取多个工作表

pd.read_excel("销售数据.xlsx", engine="openpyxl", sheet_name=["1月销售", "2月销售"])

返回字典，key 是表名，value 是 DataFrame
案例 1：读取指定名称的工作表

# 读取“2月销售”工作表

df_feb = pd.read_excel(

    "销售数据.xlsx",

    engine="openpyxl",

    sheet_name="2月销售"  # 指定工作表名

)

print("2月销售数据前5行：")

print(df_feb.head())
案例 2：一次性读取多个工作表

# 读取“1月销售”和“2月销售”两个表，返回字典

df_dict = pd.read_excel(

    "销售数据.xlsx",

    engine="openpyxl",

    sheet_name=["1月销售", "2月销售"]

)

# 从字典中提取每个表的数据

df_jan = df_dict["1月销售"]  # 1月数据

df_feb = df_dict["2月销售"]  # 2月数据

print("1月销售数据行数：", len(df_jan))

print("2月销售数据行数：", len(df_feb))

3. 处理 Excel 特殊情况：跳过行、合并单元格

情况 1：表头不在第一行（比如前 2 行是注释）

用skiprows跳过前面的行，用header指定表头所在行（从 0 开始）：

# 跳过前2行（注释），表头在第3行（索引2）

df = pd.read_excel(

    "销售数据.xlsx",

    engine="openpyxl",

    skiprows=2,    # 跳过前2行

    header=2       # 第3行（索引2）作为表头

)
情况 2：合并单元格（比如 A1-A3 合并为 “产品信息”）

pandas 读取合并单元格时，只会在 “第一个单元格” 保留值，其他合并单元格会显示NaN（缺失值），需要后续处理，但读取时可以正常加载：

# 读取包含合并单元格的Excel，合并单元格会显示NaN

df = pd.read_excel("销售数据.xlsx", engine="openpyxl")

print("包含合并单元格的数据：")

print(df)  # 合并单元格的非首格会显示NaN

四、数据基本信息查看：3 分钟摸清数据 “底细”

加载数据后，第一步不是急于分析，而是 “快速了解数据全貌”—— 比如有多少行多少列、数据类型对不对、有没有缺失值、数值列的范围是什么。pandas 提供了 6 个核心方法，覆盖 90% 的初探需求。

我们用之前的 “销售数据.csv” 加载的 DataFrame（df）为例，逐个讲解：

1. 快速预览：查看前 N 行 / 后 N 行（head ()/tail ()）

  1. df.head(n)：查看前 n 行（默认 n=5，适合快速看数据结构）；
  2. df.tail(n)：查看后 n 行（默认 n=5，适合看数据末尾是否有异常值）。

# 查看前3行

print("前3行数据：")

print(df.head(3))

# 输出：

#          日期 产品类别  销售额  销量  地区

# 0  2024-01-01     家电   5200   26  华北

# 1  2024-01-02     服装   3800   95  华东

# 2  2024-01-03     家电   6500   32  华南

# 查看后2行

print("\n后2行数据：")

print(df.tail(2))

# 输出：

#          日期 产品类别  销售额  销量  地区

# 2  2024-01-03     家电   6500   32  华南

# 3  2024-01-04     食品   1200  240  华北

2. 数据规模：行数、列数（shape）

df.shape返回一个元组(行数, 列数)，快速了解数据体量：

print("数据规模（行数, 列数）：", df.shape)  # 输出：数据规模（行数, 列数）： (4, 5)

# 单独获取行数、列数

print("行数：", df.shape[0])  # 输出：行数：4

print("列数：", df.shape[1])  # 输出：列数：5

3. 列信息：列名、数据类型、缺失值（info ()）

df.info()是 “数据初探第一神器”—— 显示列名、每列的数据类型（dtype）、非缺失值数量（Non-Null Count），帮你快速发现问题（比如数值列被识别成文本、有大量缺失值）。

print("数据基本信息：")

print(df.info())

# 输出：

# <class 'pandas.core.frame.DataFrame'>

# RangeIndex: 4 entries, 0 to 3  # 行索引：4行，0到3

# Data columns (total 5 columns):  # 共5列

#  #   Column  Non-Null Count  Dtype   # 列索引、列名、非缺失值数、数据类型

# ---  ------  --------------  ----- 

#  0   日期      4 non-null      object  # object=文本类型（日期默认是文本，后续需转成日期类型）

#  1   产品类别  4 non-null      object  # 文本类型（分类数据）

#  2   销售额    4 non-null      int64   # 整数类型（数值数据，正常）

#  3   销量      4 non-null      int64   # 整数类型（数值数据，正常）

#  4   地区      4 non-null      object  # 文本类型（分类数据）

# dtypes: int64(2), object(3)  # 数据类型统计：2个整数，3个文本

# memory usage: 288.0+ bytes  # 内存占用（很小，正常）
关键解读：
  1. 数据类型（dtype）：
    1. int64/float64：数值类型（可直接计算）；
    2. object：文本类型（日期、分类等，需根据需求转成对应类型，比如日期转datetime64）；
    3. category：分类类型（适合取值少的列，如 “地区” 只有华北 / 华东 / 华南，后续可转成 category 节省内存）。
  2. 缺失值（Non-Null Count）：如果某列的 “Non-Null Count” 小于总行数（比如总行数 4，某列 3 non-null），说明该列有缺失值（1 个 NaN），后续需要处理。

4. 数值统计：均值、最值、标准差（describe ()）

df.describe()对数值列（int64/float64）做统计描述，返回计数、均值、标准差、最小值、四分位数、最大值，帮你快速了解数值分布（比如是否有异常值）。

print("数值列统计描述：")

print(df.describe())

# 输出（只显示数值列“销售额”和“销量”）：

#               销售额         销量

# count    4.000000    4.000000  # 计数：4个非缺失值

# mean   4175.000000   98.250000  # 均值：销售额平均4175，销量平均98.25

# std    2237.853883  105.985848  # 标准差：销量标准差大（说明波动大）

# min    1200.000000   26.000000  # 最小值：销售额最低1200，销量最低26

# 25%    3150.000000   29.000000  # 25分位数（下四分位）

# 50%    4500.000000   63.500000  # 50分位数（中位数）

# 75%    5525.000000  126.250000  # 75分位数（上四分位）

# max    6500.000000  240.000000  # 最大值：销售额最高6500，销量最高240
关键解读：
  1. 看 “标准差（std）”：如果某列标准差远大于均值（比如销量的 std=105，均值 = 98），说明该列数据波动大（比如销量从 26 到 240，差异大）；
  2. 看 “最值”：是否有明显异常（比如销售额出现负数，或销量出现 10000 这种远超均值的值）。

5. 查看列名和行索引（columns/index）

  1. df.columns：返回所有列名（可用于遍历列、重命名列）；
  2. df.index：返回行索引（可用于重置索引、修改索引）。

# 查看列名（返回Index对象，可转成列表）

print("列名：", df.columns.tolist())  # 输出：列名： ['日期', '产品类别', '销售额', '销量', '地区']

# 查看行索引

print("行索引：", df.index.tolist())  # 输出：行索引： [0, 1, 2, 3]（默认数字索引）

6. 分类列唯一值：nunique ()/unique ()

对于 “产品类别”“地区” 这种分类列，用nunique()看有多少个不同值，用unique()看具体是哪些值：

# 查看每列的唯一值数量

print("各列唯一值数量：")

print(df.nunique())

# 输出：

# 日期        4  # 4个不同日期

# 产品类别    3  # 3种产品类别

# 销售额      4  # 4个不同销售额

# 销量        4  # 4个不同销量

# 地区        3  # 3个不同地区

dtype: int64

# 查看“地区”列的具体唯一值

print("\n地区列唯一值：", df["地区"].unique())  # 输出：地区列唯一值： ['华北' '华东' '华南']

# 查看“产品类别”列的唯一值计数（每个类别有多少条数据）

print("产品类别计数：")

print(df["产品类别"].value_counts())

# 输出：

# 产品类别

# 家电    2  # 家电有2条数据

# 服装    1  # 服装有1条数据

# 食品    1  # 食品有1条数据

Name: count, dtype: int64

五、实战案例：完整流程（读取→初探）

用一个 “学生成绩.xlsx” 文件，走一遍完整的 “读取→初探” 流程，巩固所学：

1. 数据背景

“学生成绩.xlsx” 包含 1 个工作表 “高一成绩”，数据如下：

学号

姓名

语文

数学

英语

班级

2024001

张三

85

92

78

1 班

2024002

李四

76

68

89

2 班

2024003

王五

90

95

92

1 班

2024004

赵六

65

58

72

2 班

2024005

孙七

88

79

85

1 班

2. 完整代码

import pandas as pd

# 1. 读取Excel文件（指定工作表“高一成绩”，用学号做行索引）

df_score = pd.read_excel(

    "学生成绩.xlsx",

    engine="openpyxl",

    sheet_name="高一成绩",

    index_col="学号"  # 用学号做行索引（唯一标识）

)

# 2. 数据初探

print("=" * 40)

print("1. 数据规模（行数, 列数）：", df_score.shape)

print("=" * 40)

print("2. 前3行数据：")

print(df_score.head(3))

print("=" * 40)

print("3. 数据类型和缺失值：")

print(df_score.info())

print("=" * 40)

print("4. 成绩统计描述（数值列）：")

print(df_score.describe())

print("=" * 40)

print("5. 班级分布（分类列）：")

print(df_score["班级"].value_counts())

print("=" * 40)

print("6. 语文成绩最高分：", df_score["语文"].max())

print("数学成绩最低分：", df_score["数学"].min())

print("英语成绩平均分：", df_score["英语"].mean().round(1))  # 保留1位小数

3. 运行结果解读

========================================

1. 数据规模（行数, 列数）： (5, 5)

========================================

2. 前3行数据：

         姓名  语文  数学  英语  班级

学号                        

2024001  张三   85   92   78  1班

2024002  李四   76   68   89  2班

2024003  王五   90   95   92  1班

========================================

3. 数据类型和缺失值：

<class 'pandas.core.frame.DataFrame'>

Index: 5 entries, 2024001 to 2024005  # 行索引是学号

Data columns (total 5 columns):

 #   Column  Non-Null Count  Dtype

---  ------  --------------  -----

 0   姓名      5 non-null      object

 1   语文      5 non-null      int64

 2   数学      5 non-null      int64

 3   英语      5 non-null      int64

 4   班级      5 non-null      object

dtypes: int64(3), object(2)

memory usage: 240.0+ bytes

========================================

4. 成绩统计描述（数值列）：

        语文        数学        英语

count   5.000000   5.000000   5.000000

mean   80.800000   78.400000   83.200000

std    10.382689   14.177446    8.508819

min    65.000000   58.000000   72.000000

25%    76.000000   68.000000   78.000000

50%    85.000000   79.000000   85.000000

75%    88.000000   92.000000   89.000000

max    90.000000   95.000000   92.000000

========================================

5. 班级分布（分类列）：

班级

1班    3

2班    2

Name: count, dtype: int64

========================================

6. 语文成绩最高分： 90

数学成绩最低分： 58

英语成绩平均分： 83.2

通过这个流程，我们快速知道：

  1. 数据有 5 个学生，5 列信息（姓名、3 科成绩、班级）；
  2. 无缺失值，成绩都是整数类型（正常）；
  3. 数学成绩波动最大（std=14.2），最低分 58（可能需要关注）；
  4. 1 班有 3 人，2 班有 2 人。

六、新手常见问题解决（踩坑指南）

1. 读取文件时提示 “文件不存在”

  1. 原因 1：文件路径写错（比如把 “销售数据.csv” 写成 “销售.csv”）；
  2. 原因 2：文件不在代码同一目录，且没写绝对路径；
  3. 解决：

① 确认文件名和后缀（.csv/.xlsx）完全正确；

② 若文件不在代码目录，写绝对路径（比如 Windows："C:/Users/XXX/Desktop/销售数据.csv"，Mac："/Users/XXX/Desktop/销售数据.csv"）；

③ 推荐：把文件和代码放在同一目录，直接写文件名（最简单，不易错）。

2. 读取 Excel 时提示 “No module named 'openpyxl'”

  1. 原因：没装 openpyxl 库，或安装失败；
  2. 解决：重新执行pip install openpyxl，确保安装成功（看到 “Successfully installed openpyxl-xxx”）。

3. 读取 CSV 中文乱码，试了 utf-8 和 gbk 都不行

  1. 原因：文件编码是其他格式（比如 gb2312、utf-16）；
  2. 解决：用记事本打开 CSV 文件→点击 “文件→另存为”→查看 “编码” 选项（比如显示 “ANSI”，对应 gbk；显示 “UTF-8” 对应 utf-8），按实际编码填写encoding参数。

4. describe () 只显示部分列

  1. 原因：describe () 默认只统计数值列（int64/float64），文本列（object）不显示；
  2. 解决：若想统计文本列，加include="all"参数：df.describe(include="all")，会显示文本列的唯一值数量、最频繁值等信息。

七、总结与后续学习方向

今天我们掌握了数据分析的 “第一步核心技能”：

  1. 用 pandas 读取 CSV（解决中文乱码、指定列）和 Excel（指定工作表、处理特殊格式）；
  2. 用 6 个方法快速初探数据（head ()/info ()/describe () 等），摸清数据规模、类型、缺失值、分布；

下一步可以学习：

  1. 数据清洗：处理缺失值（填充 / 删除）、异常值（识别 / 修正）、数据类型转换（比如把文本日期转成 datetime）；
  2. 数据筛选与分组：用df.loc[]筛选数据，用df.groupby()按分类列分组统计（比如按班级统计平均成绩）；
  3. 数据可视化：结合 matplotlib/seaborn 画柱状图、折线图（比如展示各班级成绩分布）。

如果在读取数据或初探时遇到具体问题，欢迎留言分享你的数据格式和报错信息，我会帮你针对性解决！

# python # rpc # 开发语言 # flask # scikit-learn # fastapi # pyqt
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

KMP全栈开发：从Android到AI Agent

avatar AI Agent技术社区

AI Agent Teams 配置与实战指南

为什么需要 Agent Teams？你有没有过这种经历：本来要加个登录功能，写着写着顺便"优化"了数据库连接池优化完发现原来的认证逻辑被改坏了改回来，又改坏了另一个模块最后回头一看——登录功能还没做完这就是目标漂移和质量失控。Agent Teams 的思路很简单：把一个 AI 拆成多个角色，每个角色有明确的职责边界。Planner 产品经理 → Builder 开发 → Reviewer QAPl

avatar AI Agent技术社区
cover

Temu批量视频翻译Python实现方案

avatar AI Agent技术社区