你打开Jupyter，敲下df = pd.read_excel('销售数据.xlsx')，看着前五行输出像模像样，心里暗想：“就这？”可接下来按月份汇总时，日期列变成了“2023-01-01 00:00:00”，销售金额列里藏着几个文本型数字，总数差了几千。你翻遍数据，发现罪魁祸首是个空白单元格，它在那儿笑你。Excel是给人眼设计的，Python是给逻辑设计的，两者之间有一道布满暗坑的沼泽地。这篇文章，我们一起趟一遍。
数字不是数字，而是“伪装者”
很多人在Excel里存长数字，比如身份证、订单号、卡号。Excel为了省地方，会自动转成科学计数法：1.23E+17。你用pandas读取，它默认按数值类型处理，于是精度丢了，尾号全变0。你说那好，我指定dtype=str读，结果读出来的是'123456789012345600'或者'1.23E+17'，因为你没明白：Excel保存数据时已经牺牲了精度。你以为是字符串，它其实是浮点数，你以为是浮点数，它变成了科学计数法。
更烦的是“文本型数字”。在Excel界面里，单元格左上角有一个绿色小三角，意思是“这里的数字是文本格式”。pandas读完，这一列是object dtype，你df['金额'].sum()会把所有数字拼接成一个大字符串。你需要pd.to_numeric(df['金额'], errors='coerce')，把非法值置为NaN再处理。Excel的单元格格式只是化妆，数据在底层已经定型，格式挡不住pandas的一意孤行。
日期：比前任还难猜的格式
read_excel处理日期，行为像天气一样不可预测。有时返回Timestamp对象，有时返回字符串，有时返回一串五位数——那是Excel内部的日期序列号，比如44828代表2023年9月1日。你打印出来，明明是一个整数，却要掰着手指头从1900年1月1日往后算。日期在Excel眼里只是一个数字，在pandas眼里是一套时区系统，在你眼里是一切。
如果你用parse_dates参数指定日期列，它还算靠谱。一旦列里混了“2023/09/01”和“2023年9月1日”两种写法，read_excel可能直接罢工，把整列读成字符串。你转头用pd.to_datetime强制解析，它又会把“2023年”解析成2023-01-01，因为年后面没有月日，默认补成1月1日。唯一稳妥的办法是写自己的日期解析函数，而不是指望Excel自觉。
空值：一个比薛定谔的猫还复杂的现象
Excel里的“空”在Python眼里至少有四种形态：真正的空单元格（NaN）、空字符串（''）、None、字符串“NA”。pandas的read_excel默认把空单元格和“NA”字符串都转成NaN，看起来好像很友好。但当你fillna('')后，原本是空字符串的单元格根本不会被填充，因为它们不是NaN。你再一数，还有几行写着“#N/A”和“-”，你没处理到，最后统计结果仍然缺着。空值不是一个值，而是一堆值，每种空都等着你给个说法。
更抓狂的是，pandas把“NA”当作缺失值，但你的业务数据里真的存在城市代码“NA”。你想保留它，于是设置keep_default_na=False。结果，所有真正的空单元格又变成空字符串而不是NaN，你的isna().sum()统计彻底失效。pandas的缺失值判断是一套默认协议，但不吻合你的业务逻辑。要收拾这种局面，最好老老实实先astype(str)，再逐项判断各种各样的空值形态。
合并单元格：数据界的连环诈骗
合并单元格是Excel给人类视觉的馈赠，却是数据分析师的毒药。pandas读取时，被合并的区域只有左上角有值，其余全是NaN。比如一个表格中“华东区”合并了三行，读进来后只有第一行的“华东区”有值，下面两行显示NaN。你按区域分组，出现了一堆“空组”。合并单元格是给眼睛看的，不是给代码用的。
你可能会用fillna(method='ffill')来向下填充，好像解决了。但如果合并单元格不是垂直排列，而是水平合并，你填充方向就错了。更麻烦的是，当你把处理好的数据写回Excel，想恢复合并单元格，pandas没有原生支持，你得手动用openpyxl的merge_cells一个个处理。用Python处理Excel，最贵的不是代码，而是你反复试错的时间。
公式与缓存：你看到的是结果，代码读到的是公式
遇到公式是家常便饭。在Excel里，你看到B10单元格显示100，因为公式=SUM(B2:B9)算好了。用openpyxl直接读B10.value，可能返回字符串'=SUM(B2:B9)'。如果你不检查类型，把这个字符串丢进报告里，老板会以为是乱码。虽然pandas的read_excel底层会用openpyxl缓存的数值，但缓存存在的前提是：这个文件在Excel里被打开并保存过。公式是Excel的生命，却是Python的陷阱。
如果文件是从在线Excel导出的，或者由某些库生成的，缓存值压根儿不存在。你读到的可能是None。你心想，None就当成0吧。结果本月的“合计”一栏在你输出时变成了0，在Excel里却写着大大的1000。不要相信read_excel读到的值，除非你确认公式已经被Excel计算过。实在不行，用data_only=True碰碰运气，同时做好后备方案。
性能：循环一千行，你就以为自己在写爬虫
曾经有位同事，用openpyxl对一万行数据逐行读取、逐行计算、逐行写入，整个脚本跑了二十分钟。他说Python太慢。其实不是Python慢，是他用错了工具。pandas的Vectorized操作跑同量级数据只需几十毫秒。逐行操作pandas，就像开着跑车在胡同里倒车入库。
性能的另一个大坑是Excel的“垃圾格式”。你的工作表明明只有几行数据，但某人按了Ctrl+End，把格式刷到了第1048576行。pandas读取时会尝试让每一行都有对应的索引，于是那个孤零零的格式占用量被解释成上百万个NaN，内存瞬间爆炸。解决办法是读取前先检查Excel的“最后一格”，或者指定nrows和usecols，把无辜的空白区域挡在门外。Excel的空白不是真空，是格式的暴风雪，随时拖垮你的内存。
索引的阴谋：0和1的世界与1和0的世界
你df.drop(index=2)删掉一行，然后df.loc[3]想取原来的第四行，取到了。下一次你又删了几行，索引变得稀疏，你df['金额'][df['金额']>100]之后，再想reset_index()，却忘了加drop=True，结果原索引变成一列“index”，写进Excel后和你的目标列对不上。索引是pandas的翅膀，也是你的深渊。
更隐蔽的是，当数据里有重复的索引值，df.loc[2]会返回一个DataFrame而不报错，你以为是一个Series，做后续操作时全乱套。你反过来用iloc，没问题，但行号跟Excel行号之间永远差着1，因为Excel第一行是标题。你总得在两者之间跳来跳去，一不留神就把“第2行”当成索引2。不要用Excel的坐标思维去理解pandas的索引，它们是两个宇宙。
文件格式的隐形陷阱：xlsx、xls、还有CSV
写pd.read_excel('数据.xls')，报错“Missing optional dependency 'xlrd'”。你乖乖pip install xlrd，结果装的是2.0.1版本，只支持.xls，不支持.xlsx。于是你又去查手册，发现pandas对.xlsx默认用openpyxl，对.xls只能用xlrd，而老版本xlrd是同时支持的。版本兼容的坑，比你想的要深。格式的坑，在于你永远猜不到对方手上是什么文件。
CSV也一样。Excel保存CSV时，默认编码是本地代码页（中文系统就是gbk），你用utf-8读必然乱码。而且CSV没有样式、没有公式、没有多Sheet，一旦原始Excel里有两个工作表，你转成CSV就只能保存当前页，信息悄悄丢了。别把CSV当成Excel的廉价替代品，它本质上是Excel的阉割版。
写回Excel的格式地狱
pandas的to_excel写出的文件，样式基本是素颜：没有加粗表头、没有颜色、没有调整列宽，公式也全变成了静态数值。更重要的是，如果你用Excel函数和数据验证，pandas写回后会全部剥离。你辛辛苦苦建好的模板，经过一个to_excel就面目全非。对pandas来说，样式不重要，但对你来说，样式可能是老板的全部KPI。
要保留格式，你得用openpyxl加载原文件，然后手动把DataFrame逐格写入指定位置，再手动设置字体、边框、列宽。这一套操作下来，代码量轻松超过两百行，而你还得处理“原文件中有多个Sheet”和“Sheet名有空格”的情况。所谓“用Python处理Excel”，到最后你会发现自己其实在写一份Excel操作说明书。
编码与字符的玄学
读取CSV时，你一拍脑袋用encoding='utf-8'，看到一堆“锟斤拷”就知道完了。换成gbk，可能又因为某个特殊字符报UnicodeDecodeError。你试着用errors='ignore'，结果字符被吞掉，数据悄无声息地丢了。编码问题往往在你觉得“这也要讲？”时出现。
Excel单元格里还藏有隐形字符：\u200b（零宽空格）、\ufeff（BOM）、不间断空格\xa0。它们不显示，但你的字符串匹配永远失败。最搞笑的是，Excel的TRIM函数也去不掉这些鬼东西，Python的strip()同样无能为力。你得祭出正则表达式，才能还单元格一片干净。Excel的单元格是一个杂物间，Python要当保洁员。
重复列名和同名陷阱
Excel表头里有两个“金额”，一个叫“金额”，另一个叫“金额 ”（后面多了空格）。pandas读入后，会把你拆开，一个叫“金额”，另一个可能被自动改成“金额.1”。也有时会完全重复，你df['金额']返回一列，但你可能忘了那一列是哪个。列名在Excel里可以重复，但在pandas里必须唯一，这是两个世界的基本法律。
另外，如果表头有换行符或者特殊符号，pandas会一并保留，你在select时写错了，报KeyError。你检查了一遍，发现明明看起来一样，就是选不出来，因为多了个不可见字符。用df.columns打印一下，也许能发现端倪，但很多人在这一步之前已经放弃了。不要相信用肉眼看到的列名，要用编码和清单验证。
收尾：讲点方法论
踩了这么多坑，你可能会说：那我干脆不用Python了。其实不是。这些问题背后有一个共同的规律：你是在用Excel的经验去操作一个编程工具，而编程工具的默认假设与Excel完全不同。Excel把数据、格式、公式、显示方式捆在一起，而Python希望你把它们拆开。
如果你想少踩坑，处理任何Excel前，先备份原文件；读进来后先别急着用，用info()和head()观察每一列的真实类型；写回文件前，明确你到底要保留什么，是数值，还是样式，还是公式。在你打开read_excel之前，先问自己三个问题：数据是什么类型、缺失值是怎么表示的、公式要怎么处理。想清楚这些，再动手也不迟。在这些问题得到答案之前，你写的代码都只是在给Excel擦屁股。要的话，就让Python成为你的利器，而不是另一台制造垃圾的机器。
