目录

一、基础准备：引入核心库

二、Excel 数据读取：获取数据源

三、数据合并：整合多表信息

四、数据去重：清洗冗余数据

五、总结

---

在数据分析的学习过程中，Jupyter Notebook 是我们常用的工具，搭配 Pandas 库能高效处理各类数据。今天就结合实际操作，带大家看看如何用 Python（Pandas 库为主 ）完成 Excel 数据读取、合并、去重等关键步骤，内容很适合数据分析入门的同学哦！

一、基础准备：引入核心库

 - pandas 库：数据分析的“大杀器”，提供了 DataFrame 这种强大的数据结构，能轻松应对表格数据的读取、清洗、分析等操作。我们给它起别名 pd ，后续调用更方便。

- numpy 库：主要用于数值计算，很多复杂的数学运算都能靠它高效完成，虽然本次示例中直接用到的不多，但数据分析场景里常和 pandas 配合使用，所以也一起引入，别名 np 。

二、Excel 数据读取：获取数据源

-- pd.read_excel 函数：这是 Pandas 专门用来读取 Excel 文件（ .xlsx 格式 ）的函数。

--'111.xlsx' ：要读取的 Excel 文件名（包含路径，若文件在当前工作目录，直接写文件名即可 ）。

--sheet_name=0 ：指定读取 Excel 文件里的第 1 个工作表（工作表索引从 0 开始 ），也可以用工作表名称，比如 sheet_name='Sheet1' 。执行后，会把 Excel 工作表内容转化为 DataFrame 类型，存储到 data1 变量里。

--直接写 data1 展示数据：在 Jupyter Notebook 中，单元格最后一行是变量名时，会自动展示该变量对应 DataFrame 的预览内容，方便我们快速查看数据结构（有哪些列、数据长啥样 ）。从输出能看到， data1 里有 A B C KEY 几列数据 。

同理， data2 = pd.read_excel('111.xlsx', sheet_name=1) 就是读取同一个 Excel 文件里的第 2 个工作表，存入 data2 变量，执行 data2 也会展示对应数据 。后续读取其他工作表（如 sheet_name=2 ）的逻辑也是一样的，都是通过指定工作表，把 Excel 数据转成 DataFrame 。

三、数据合并：整合多表信息

我们已经通过  pd.read_excel  等方式读取了  data1  和  data2  两个 DataFrame，它们都包含  KEY  列，这是我们进行数据合并的“关联键” 。Pandas 提供的  join  和  merge  方法就是数据合并的得力工具。

• join  方法：基于索引的便捷合并

--  data2.set_index('KEY') ：先把  data2  的索引设置为  KEY  列。因为  join  操作默认是基于索引进行关联的，所以需要让  data2  的索引和  data1  中用于关联的  KEY  列“对齐” 。

--  on='KEY' ：指定  data1  中用于关联的列是  KEY ，这样  data1  会根据  KEY  列的值，去匹配  data2  中索引为对应值的行 。

--  rsuffix='_1' ：当  data1  和  data2  存在列名重复时（比如都有  B  列 ），给右侧（这里  data2  是右侧表 ）重复的列名加上后缀  _1 ，避免列名冲突，让合并后的数据列名清晰可辨 。-  how='right' ：使用右连接方式，即以  data2 （经  set_index  后的 ）数据为基础，保留  data2  所有的  KEY  对应行， data1  中匹配上的行与之合并，匹配不上的位置用  NaN  填充 。从输出结果能看到，合并后的 DataFrame 包含了  data1  和  data2  的列，并且按照  KEY  完成了关联，缺失匹配的地方呈现  NaN  。

• merge  方法：灵活的列关联合并

-  pd.merge 函数：这是Pandas中用于合并两个DataFrame对象的核心函数，类似于数据库中的join操作，可以根据指定的键（key）将不同来源的数据整合到一起。
- 和之前提到的 join 方法相比， merge 不需要像 join 那样先对其中一个DataFrame设置索引，使用起来更加灵活便捷，尤其是在处理来自不同数据源、列名常规的表格合并时，直接指定关联键即可，降低了操作的复杂度。

• combine_first ：缺失值填充与数据补充

-  combine_first 方法：该方法主要用于处理两个DataFrame之间的重叠数据，当 data1 中存在缺失值（ NaN ）时，会用 data2 中对应位置（相同索引和列名）的值来填充这些缺失值。可以理解为以 data1 为主表，用 data2 的数据来补充 data1 的缺失部分，从而得到一个更完整的数据集。
- 执行逻辑：遍历 data1 中的每个元素，如果该元素是 NaN ，就去 data2 中查找相同索引和列名对应的值来替换；如果 data1 中该位置有有效数据，则保留 data1 的值，不会被 data2 覆盖。从输出结果能看到， data1 中原本存在 NaN 的列（如 D 、 E 列部分行），被 data2 中对应的值填充了，使得数据更加完整，但 data1 中原本的有效数据（如 A 、 B 、 C 、 KEY 列）依然保留 。

四、数据去重：清洗冗余数据

 - pd.read_excel('use_all_info.xlsx') ：读取名为 use_all_info.xlsx 的 Excel 文件，得到 data 这个 DataFrame ， data.head(2) 是展示 data 的前 2 行数据，方便快速预览 。

- data[['居住类型', '是否愿意下载']] ：选取 data 中 居住类型 和 是否愿意下载 这两列，形成一个新的 DataFrame 。

- drop_duplicates() 方法：去除上述新 DataFrame 中的重复行。判断重复的依据是这两列数据是否完全一样，重复的行只会保留一行 ，这样能清洗掉冗余数据，让数据更简洁 。

五、总结

通过这一系列操作，我们完成了从 Excel 数据读取，到多表合并（ merge 、 combine_first ），再到数据去重的完整流程。这些都是数据分析前期“数据获取与清洗”环节的关键步骤。 Pandas 库提供的这些功能，能帮我们高效处理实际工作里的各类表格数据。对于刚入门数据分析的同学，建议多动手实践，多尝试不同参数、不同数据，慢慢就能熟练掌握这些实用技巧啦！后续还可以基于清洗好的数据，做进一步的分析（比如统计不同居住类型人群的意愿占比 ）、可视化（用 Matplotlib、Seaborn 画图 ）等操作，挖掘数据价值。