pd.concat()更合适，因其专为多表轴向堆叠设计，支持纵向/横向合并多个结构相似的Excel文件，不依赖键匹配；而pd.merge()仅适用于两张表基于列（如ID、日期）的关系型连接。
合并多个Excel文件时，pd.concat() 比 pd.merge() 更合适
很多人一看到“合并”就本能想到 pd.merge()，但它只适用于按列（如ID、日期）对齐两张表的**关系型连接**，不是用来堆叠多张结构相似的表。批量合并几十个销售表、日报表、分部门表格时，真正该用的是 pd.concat() —— 它把所有 DataFrame 垂直或水平“摞起来”，保留原始字段，不强制匹配键。
常见错误现象：pd.merge() 报 KeyError: 'xxx' 或结果行数远少于预期，本质是误把“追加”当“关联”。
- 用
pd.concat()前，确保各表列名一致（可统一用df.columns = [...]重命名） - 加参数
ignore_index=True避免索引重复导致后续筛选错乱 - 若需标记来源文件，用
keys参数：pd.concat(..., keys=file_names)，会生成多级索引
读取多个Sheet页时，别硬写循环——用 pd.ExcelFile + sheet_names
一个 Excel 文件里有 “1月”、“2月”、“3月” 多个 Sheet，逐个 pd.read_excel("a.xlsx", sheet_name="1月") 写三遍？没必要。直接用 pd.ExcelFile 加载一次，再遍历 .sheet_names，既省IO又避免反复解析文件头。
性能影响：对含大量格式/公式的 .xlsx，用 pd.ExcelFile 可减少 40%+ 读取耗时（实测 50MB 文件）。
立即学习“Python免费学习笔记（深入）”；
把记录数组导出为带样式的 Excel(xlsx) 或带 BOM 的 CSV。支持列配置（表头/宽度/顺序）、表头冻结首行、斑马纹、布尔值转「是/否」、数组换行、CSV 中文防乱码。零依赖。触发词：导出 Excel、导出 CSV、记录转表格、列配置导出、数据导出、表格美化、JSON 转表格。
-
excel = pd.ExcelFile("data.xlsx")后，excel.sheet_names返回列表，可过滤：[s for s in excel.sheet_names if "月" in s] - 读取时加
usecols（如"A:C"或[0,1,2]）跳过无用列，内存占用立降 - 若某Sheet为空，
pd.read_excel(excel, sheet_name=s)会返回空DataFrame，建议加if not df.empty:过滤
合并后字段类型错乱？关键在 dtype 和 converters
合并前各表“订单号”有的是文本、有的被Excel自动转成数字，“金额”列混着字符串“¥1,234.00”和纯数字——pd.concat() 不做类型推断，直接拼，结果整列变 object，后续 .sum() 报错或求和为0。
解决思路不是合并后再转换，而是在读取阶段就约束类型：
- 用
dtype={"订单号": str, "金额": float}强制指定，但对含千分位符的字符串会报错 - 更稳的是
converters：converters={"金额": lambda x: float(str(x).replace("¥","").replace(",",""))} - 日期列务必用
parse_dates=["下单时间"]，否则合并后是字符串，df["下单时间"].dt.month直接 AttributeError
大文件合并卡死？用 chunksize 分块读 + 迭代 pd.concat()
单个Excel超10万行，或要合并上百个文件时，全量读进内存再 concat 很容易触发 MemoryError。这时得放弃“一次性加载全部”的思路。
核心策略：每个文件分块读，每块 concat 一次，边读边释放内存。
-
for chunk in pd.read_excel("a.xlsx", chunksize=5000):返回迭代器，每次只占少量内存 - 维护一个空
result_df = pd.DataFrame()，每拿到一块就result_df = pd.concat([result_df, chunk], ignore_index=True) - 注意：不要在循环里反复
pd.concat([A,B,C,D])，应累积到 list 再一次 concat，否则时间复杂度爆炸
真正容易被忽略的是磁盘IO瓶颈——如果所有Excel都在同一机械硬盘上，同时开10个 read_excel 反而更慢。顺序读+合理 chunksize（通常5k–20k）才是平衡点。
