应传sheet_name=None一次性读取所有Sheet并返回字典；切勿用0或字符串名误读单表；含特殊字符的Sheet名须先用pd.ExcelFile().sheet_names探查再使用。
用 pd.read_excel() 一次性读取所有 Sheet，但别直接传 sheet_name=0
默认只读第一个 Sheet 是常见误操作起点。想读多个或全部，必须显式指定 sheet_name 参数：None 表示读全部（返回 dict，key 是 sheet 名，value 是 DataFrame）；传列表如 ['Summary', 'RawData'] 可按需加载指定几个。注意：传 0 或字符串名只会读一个，哪怕文件里有十个 Sheet。
遇到 Sheet 名含空格、特殊字符或中文，别硬写字符串名
Excel 自动命名的 Sheet（比如 “Sheet1 (2)”）或用户起的 “Q3 销售数据-备份” 这类名字，直接写进 sheet_name 容易因空格、括号、编码问题报 KeyError 或 XLRDError。稳妥做法是先用 pd.ExcelFile 探查真实名称：
xl = pd.ExcelFile("report.xlsx")
print(xl.sheet_names) # 输出真实 list，复制粘贴更安全返回的 sheet_names 是已解码、已清理的名称，直接用于 sheet_name=[...] 就不会错。
不同 Sheet 结构不一致？别用 concat 硬拼
比如一个 Sheet 是销售明细（10 列），另一个是汇总表（3 列 + 合计行），强行 pd.concat([df1, df2]) 会补 NaN、列对不齐、类型混乱。这时应该：
立即学习“Python免费学习笔记（深入）”；
- 单独处理每个 Sheet：用
skiprows、usecols、dtype分别适配结构 - 用
sheet_name=None读成字典后，再按 key 分支处理，而不是急着合并 - 真要合并且结构差异大，优先考虑加标识列：
df.assign(sheet="RawData")，保留来源线索
大文件卡死或内存爆掉？换引擎 + 分批读
openpyxl 引擎适合 .xlsx 且支持读写，但加载整张大 Sheet 时内存占用高；xlrd 已停更且不支持 .xlsx；odfpy 仅限 .ods。实际建议：
- 明确指定引擎：
engine="openpyxl"（.xlsx）或engine="xlrd"（仅 .xls） - 用
usecols限制列范围，比读全量再删列快得多 - 对超大 Sheet，改用
chunksize（仅openpyxl不支持，得换calamine或用openpyxl手动迭代行）
真正复杂场景下，Pandas 读 Excel 只是第一步，Sheet 名、结构、编码、空白行位置这些细节，往往比“怎么读”更决定后续能不能跑通。
