用glob批量匹配Excel文件需注意路径转义与大小写问题，推荐跨平台写法[f for f in glob.glob("data/*") if f.lower().endswith(('.xlsx', '.xls'))]，读取时指定engine='openpyxl'，拼接前统一列名并reindex对齐，显式控制dtype和parse_dates避免类型错乱，大文件用生成器或chunksize防内存溢出。
用 glob 批量匹配 Excel 文件时，路径和扩展名容易出错
Windows 下反斜杠 \ 会被 Python 当作转义字符，直接写 "data\*.xlsx" 可能报 FileNotFoundError；Linux/macOS 则对大小写敏感，"*.XLSX" 匹配不到小写后缀文件。
稳妥做法是统一用正斜杠或 os.path.join，并用 glob.glob 的 recursive=False（默认）+ 显式指定大小写无关的通配：
- 推荐写法：
glob.glob("data/*.xls*")—— 同时覆盖.xlsx和.xls - 更健壮写法（跨平台）：
[f for f in glob.glob("data/*") if f.lower().endswith(('.xlsx', '.xls'))] - 别漏掉
engine='openpyxl'：读.xlsx时 pandas 默认引擎不支持样式，但列名读取不受影响；若文件含公式或特殊格式，显式加engine='openpyxl'更稳
pandas.concat 拼接前必须处理列名不一致问题
不同 Excel 表头可能有空格、大小写差异、顺序错乱甚至字段缺失，直接 concat(..., ignore_index=True) 会导致列错位或丢失数据。
关键不是“统一重命名”，而是“按语义对齐”：
立即学习“Python免费学习笔记（深入）”；
解析 MySQL 8.0 的 DDL 脚本，并将表结构导出为 Excel 格式。适用于用户需将 MySQL 的 `CREATE TABLE` 语句转换为结构化的 Excel 文件场景，导出内容包含字段名、数据类型、长度及精度等信息。支持多张表的批量处理，每张表对应 Excel 中的一个独立工作表。适用于数据库文档编写、数据字典生成及模式分析等任务。
- 先用
pd.read_excel(f, nrows=0)快速读表头，避免加载全量数据 - 标准化列名：
df.columns = df.columns.str.strip().str.lower().str.replace(r'[^a-z0-9_]', '_', regex=True) - 定义一个权威列名列表（如
["order_id", "product_name", "amount"]），拼接前用df.reindex(columns=canonical_cols, fill_value=pd.NA)对齐 —— 缺失列补NA，多余列丢弃 - 别用
join="outer"：它会保留所有列，导致最终 DataFrame 出现大量Unnamed: X或重复字段
合并后日期/数字列类型错乱？这是 read_excel 的 dtype 自动推断陷阱
pandas 读 Excel 时对混合类型（比如某列前几行是空、中间是数字、最后是日期）常误判为 object，后续计算或导出就出问题。
解决不能靠事后转换，得在读取阶段干预：
- 明确指定
dtype：如dtype={"amount": "float64", "order_date": "string"}（先读成字符串，再用pd.to_datetime(..., errors="coerce")统一处理） - 对疑似日期列，加
parse_dates=["order_date"]参数，比事后转换更可靠 - 如果某些文件该列为文本（如带前导零的订单号），务必设
dtype={"order_id": "string"}，否则123456会被转成123456.0 - 注意：多个文件中同一列类型不一致时，
concat会自动升格为object，所以必须提前统一样本类型
大文件合并卡死或内存爆掉？别一次性全读进内存
单个 Excel 超 10 万行、或总文件数超 50 个时，[pd.read_excel(f) for f in files] 构建列表会吃光内存。
改用生成器 + 分块拼接：
- 用
pd.concat((pd.read_excel(f, dtype=dtype_cfg) for f in files), ignore_index=True)—— 小括号是 generator expression，不预加载全部 DataFrame - 对超大单文件，启用
chunksize：先读头几行定列名，再循环读块、对齐、追加到结果list，最后concat - 导出前删掉中间变量：
del df_list; gc.collect()（尤其 Windows 上 CPython 不会立刻释放） - 最后保存用
index=False，避免多一列无意义的行号
列名对齐和类型控制这两步漏掉任何一环，合并后的表看着像，查数或 join 时就会突然崩。实际跑通的关键不在“快”，而在每一步都做显式校验——比如读完每个文件后打个 print(f"{f}: {list(df.columns)}")，比调半天报错强得多。
