python pandas中ExcelFile与read_excel的区别

ExcelFile与read_excel是pandas中处理excel文件的两个方法。本文将从实例进行说明，来介绍这两种方法的区别。事实上，尽管预料到pandas同时支持这两种方法，但整体上我还不知道pandas对这两个方法的定位是什么。而通过整理这两个方法，可以在工作之余探究pandas对这两个方法的定位。本文主要参考了ExcelFile与read_excel的文档进行整理。

首先给出两个方法的简单使用

#ExcelFile方法的使用
path1 ="test.xlsx"
xlFile = pd.ExcelFile(path1)
df1 = xlFile.parse("Sheet1")  #引号内是path对应excel文件的sheet_name

#read_excel方法的使用
path2 ="test.xlsx"
df2 = pd.io.excel.read_excel(path2, sheetname=0)

整体而言，从技术上讲，Excelfile是一个类，而read_excel是一个函数。无论哪种情况，两个方法的实际解析都是由ExcelFile中定义的_parse_excel方法处理的。其中，在早期版本的pandas中，read_excel完全由单个语句(注释除外)组成（如下所示），ExcelFile.parse并没有比调用ExcelFile._parse_excel多得多。

return ExcelFile(
    path_or_buf,
    kind=kind
    ).parse(
        sheetname=sheetname,
        kind=kind, 
        **kwds
    )

在最新版本的pandas中，read_excel确保它具有一个Excelfile对象(如果没有则创建一个对象)，然后直接调用_parse_excel方法：

if not isinstance(io, ExcelFile):
    io = ExcelFile(io, engine=engine)

return io._parse_excel(...)

以及经过更新(统一)的参数处理，ExcelFile.parse实际上只是单个语句：

return self._parse_excel(...)

这就是为什么ExcelFile.parse的文档现在说

Equivalent to read_excel(ExcelFile, ...) See the read_excel docstring for more info on accepted parameters

的原因。

对于另一个声称ExcelFile.parse在循环中更快的答案，这实际上取决于是否每次都是从头开始创建Excelfile对象。我们当然可以在循环外创建一次Excelfile，然后将其传递到循环内的read_excel：

xl = pd.ExcelFile(path)
for name in xl.sheet_names:
    df = pd.read_excel(xl, name)

这等同于

xl = pd.ExcelFile(path)
for name in xl.sheet_names:
    df = xl.parse(name)

如果循环涉及不同的路径(换句话说，当前循环正在阅读许多不同的工作簿，而不仅仅是单个工作簿中的多个工作表)，那么我们就不必为它创建一个全新的Excelfile实例，然后再次ExcelFile.parse和read_excel将是等效的(并且同样慢)。

这一点很符合实际，在实践中常常可以发现read_excel是比较慢的，之后的实践中，可以先通过ExcelFile传递一个对象到内存中，这样再进行数据读取会更快。