默认只读第一个sheet是设计行为，必须显式指定sheet_name=None才能读取全部，返回以sheet名为key、DataFrame为value的字典，非法参数如'all'会报ValueError。
用pandas.read_excel读取多个sheet时，为什么只拿到第一个？
默认情况下，pd.read_excel() 只读取第一个工作表（sheet_name=0），这不是bug，是设计行为。想读全部，必须显式传参：sheet_name=None——它会返回一个 dict，key 是 sheet 名，value 是对应 DataFrame。
常见错误是写成 sheet_name='all' 或 sheet_name=True，这些都不合法，会直接报错 ValueError: sheet_name 'all' is not available。
实操建议：
- 用
pd.read_excel(file_path, sheet_name=None)一次性加载全部 sheet - 如果只关心特定几个，传列表更高效：例如
sheet_name=['Sales', 'Marketing'] - 注意内存：大 Excel 文件含几十个 sheet 时，
sheet_name=None可能触发 OOM，建议先用pd.ExcelFile(file_path).sheet_names查看并筛选
concat多个DataFrame时，如何保留原sheet名作为新列？
直接 pd.concat(dfs) 会丢掉来源信息，后续无法区分哪行来自哪个 sheet。解决办法是在拼接前，给每个 DataFrame 加一列标识，比如 source_sheet。
立即学习“Python免费学习笔记（深入）”；
不要用循环反复 df['source_sheet'] = name 后再 concat，容易因索引重复或列顺序不一致导致对齐错乱。
实操建议：
- 用字典推导式 +
pd.concat一步到位：all_sheets = pd.read_excel('data.xlsx', sheet_name=None) dfs_with_name = [df.assign(source_sheet=name) for name, df in all_sheets.items()] combined = pd.concat(dfs_with_name, ignore_index=True) - 如果原始 sheet 中有同名列（如都叫
ID），concat不会报错但可能掩盖数据问题，建议提前检查：set.union(*[set(df.columns) for df in all_sheets.values()]) -
ignore_index=True很关键，否则拼接后索引会重复（每个 sheet 都从 0 开始），影响后续去重或切片
to_excel写入多sheet时，为什么报错“Workbook already closed”？
典型场景：想把合并后的数据和原始各 sheet 分别写进同一个 Excel 的不同 tab，但写了类似 df.to_excel('out.xlsx', sheet_name='combined') 再写一次 df1.to_excel('out.xlsx', sheet_name='raw_1')，第二步就崩了。
原因：每次调用 to_excel 都会新建并关闭一个 ExcelWriter 对象，第二次写入时文件已被关闭，且路径冲突。
实操建议：
- 必须用
pd.ExcelWriter上下文管理器统一写入：with pd.ExcelWriter('output.xlsx') as writer: combined.to_excel(writer, sheet_name='Combined', index=False) for name, df in all_sheets.items(): df.to_excel(writer, sheet_name=name[:31], index=False) # Excel sheet名最长31字符 -
sheet_name超长会直接报错InvalidWorksheetName，务必截断或映射（如用哈希缩写） - 如果要追加写入已有 Excel（非覆盖），不能用
ExcelWriter默认模式；需用openpyxl手动加载，pandas本身不支持追加
合并大文件时内存暴涨甚至卡死，怎么缓解？
当单个 sheet 就有几十万行，或总 sheet 数超 20 个时，read_excel(..., sheet_name=None) 会把所有内容载入内存，极易触发 MemoryError。
根本矛盾在于：Excel 是行列混合格式，pandas 为保持结构必须全量解析；而 CSV 没这负担。所以不是参数调优能彻底解决的。
实操建议：
- 优先转中间格式：用
openpyxl或xlsx2csv工具先把 Excel 拆成多个 CSV，再用pd.read_csv流式读取 +chunksize处理 - 若必须原格式处理，改用
engine='odf'（仅限 .ods）或engine='calamine'（新版 pandas 2.1+ 支持，比openpyxl快且省内存） - 避免无意义操作：比如
df.fillna('')在合并前执行，会把大量NaN转成字符串，显著增加内存占用
真正难的不是语法，是判断该不该用 Excel 做这事——如果最终目标只是查数、统计、喂模型，CSV + DuckDB 或 Parquet 几乎总是更稳的选择。
