Excel是微軟的經典之作，在這里我們介紹使用Python的pandas數據分析包來解決此問題。
pd.read_excel(io, sheet_name = 0, header = 0, names = None, index_col = None, usecols = None, squeeze = False, dtype = None, engine = None, converters = None, true_values = None, false_values = None, skiprows = None, nrows = None, na_values = None, parse_dates = False, date_parser = None, thousands = None, comment = None, skipfooter = 0, convert_float = True, **kwds)
pandas讀取Excel后返回DataFrame，接下來我們就pd.read_excel()的常用參數進行詳細解析。
目錄
1、io，Excel的存儲路徑
2、sheet_name，要讀取的工作表名稱
3、header， 用哪一行作列名
4、names， 自定義最終的列名
5、index_col， 用作索引的列
6、usecols，需要讀取哪些列
7、squeeze，當數據僅包含一列
8、converters ，強制規定列數據類型
9、skiprows，跳過特定行
10、nrows ，需要讀取的行數
11、skipfooter ， 跳過末尾n行
【文中使用英超、西甲的排名積分榜及射手榜作為原始數據~~~】
1、io，Excel的存儲路徑
建議使用英文路徑以及英文命名方式。
import pandas as pd
io = r'C:\Users\Administrator\Desktop\data.xlsx'
2、sheet_name，要讀取的工作表名稱
可以是整型數字、列表名或SheetN，也可以是上述三種組成的列表。
整型數字：目標sheet所在的位置，以0為起始，比如sheet_name = 1代表第2個工作表。
data = pd.read_excel(io, sheet_name = 1)
data.head()
列表名：目標sheet的名稱，中英文皆可。
data = pd.read_excel(io, sheet_name = '英超射手榜')
data.head()
SheetN：代表第N個sheet，S要大寫，注意與整型數字的區別。
data = pd.read_excel(io, sheet_name = 'Sheet5')
data.head()
組合列表： sheet_name = [0, '英超射手榜', 'Sheet4']，代表讀取三個工作表，分別為第1個工作表、名為“英超射手榜”的工作表和第4個工作表。顯然，Sheet4未經重命名。
sheet_name 默認為 0，取Excel第一個工作表。如果讀取多個工作表，則顯示表格的字典。對於初學者而言，建議每次讀取一個工作表，然后進行二次整合。
data = pd.read_excel(io, sheet_name = ['英超積分榜', '西甲積分榜'], nrows = 5) # sheet_name = ['英超積分榜', '西甲積分榜'] ，返回兩個工作表組成的字典
data
3、header， 用哪一行作列名
默認為0 ，如果設置為[0,1]，則表示將前兩行作為多重索引。
data = pd.read_excel(io, sheet_name = '英超積分榜', header = [0,1]) # 前兩行作為列名。
data.head()
4、names， 自定義最終的列名
一般適用於Excel缺少列名，或者需要重新定義列名的情況。
注意：names的長度必須和Excel列長度一致，否則會報錯。
data = pd.read_excel(io, sheet_name = '英超射手榜',
names = ['rank','player','club','goal','common_goal','penalty'])
data.head()
5、index_col， 用作索引的列
可以是工作表列名稱，如index_col = '排名'；
可以是整型或整型列表，如index_col = 0 或 [0, 1]，如果選擇多個列，則返回多重索引。
data = pd.read_excel(io, sheet_name = '英超射手榜', index_col = '排名')
data.head()
data = pd.read_excel(io, sheet_name = '英超射手榜', index_col = [0, 1])
data.head()
6、usecols，需要讀取哪些列
可以使用整型，從0開始，如[0,2,3]；
可以使用Excel傳統的列名“A”、“B”等字母，如“A：C, E” ="A, B, C, E"，注意兩邊都包括。
usecols 可避免讀取全量數據，而是以分析需求為導向選擇特定數據，可以大幅提高效率。
data = pd.read_excel(io, sheet_name = '西甲射手榜', usecols = [0, 1, 3])
data.head()
data = pd.read_excel(io, sheet_name = '西甲射手榜', usecols = 'A:C, E')
data.head() # 啊？什么！！為啥不見C羅？？ # 大佬，C羅轉會去尤文圖斯啦~~~~
7、squeeze，當數據僅包含一列
squeeze為True時，返回Series，反之返回DataFrame。
data = pd.read_excel(io, sheet_name = 'squeeze', squeeze = True)
data.head()
data = pd.read_excel(io, sheet_name = 'squeeze', squeeze = False)
data.head()
8、converters ，強制規定列數據類型
converters = {'排名': str, '場次': int}， 將“排名”列數據類型強制規定為字符串（pandas默認將文本類的數據讀取為整型），“場次”列強制規定為整型；
主要用途：保留以文本形式存儲的數字。
data = pd.read_excel(io, sheet_name = 'converters')
data['排名'].dtype
data = pd.read_excel(io, sheet_name = 'converters', converters = {'排名': str, '場次': float})
data['排名'].dtype
9、skiprows，跳過特定行
skiprows= n， 跳過前n行； skiprows = [a, b, c]，跳過第a+1,b+1,c+1行（索引從0開始）；
使用skiprows 后，有可能首行（即列名）也會被跳過。
data = pd.read_excel(io, sheet_name = '英超射手榜', skiprows = [1,2,3]) # 跳過第2,3,4行數據（索引從0開始，包括列名）
data.head()
data = pd.read_excel(io, sheet_name = '英超射手榜', skiprows = 3)
data.head()
10、nrows ，需要讀取的行數
如果只想了解Excel的列名及概況，不必讀取全量數據，nrows會十分有用。
data = pd.read_excel(io, sheet_name = '英超射手榜', nrows = 10)
data
11、skipfooter ， 跳過末尾n行
data = pd.read_excel(r'C:\Users\Administrator\Desktop\data.xlsx' ,
sheet_name = '英超射手榜', skipfooter = 43) # skipfooter = 43， 跳過末尾43行（索引從0開始）
data