CDA数据分析师 出品

作者：曹鑫

编辑：JYD

我真遇到了上百万行的 Excel

年底到了，我想把公司历年的销售明细和指标等业务数据放在一起透视做分析，觉得这样很方便，但是无奈一张表就50多万行，好几年的数据加在一起有两三百万行，受 excel行数限制，我只能将数据按年分开，一年一张表，每张表里的表头项目都是一样的。

业务发展越来越大，数据的规模会越来越大，在初期的时候，还觉得Excel 够用了，但是当 Excel 规模的数据量不断增加，我们开始发现打开 Excel 越来越慢，操作一下 Excel 要等很久。

直接双击打开？

最简单的方法，当然是双击打开，当你双击下去，看着鼠标变成旋转的模式，你就陷入了无尽的等待，听着电脑的机声音越来越大，最后还没打开，电脑和我就都崩溃了。这完全没法开展下一步的数据分析⼯作了，怎么办？

Access

首先想到的是个比较冷门，但又没那么冷门，好像学过，但又好像没用过，好像很难，但其实也没那么难的软件：Access。

Access 导入 Excel 数据的操作很直观，打开 Access，点击「外部数据」-「新数据源」-「从文件」-「Excel」，按照指引一步步操作下去即可，而且 Access 也支持新表追加到旧表的后面，可以把几十万的表一张张拼接到一起。但估计你现在电脑里还有没有Access还不一定。

PowerBI

同样是微软出品的软件，现在更流行，你还可以选择 PowerBI 的一系列组合软件。

从Excel2010开始，微软推出了一个叫Power Query的插件，可以弥补Excel的不足，处理数据的能力边界大大提升，Excel2013也同样可以使用，现在还在用Excel2010和 2013的同学可以从微软官网下载powerquery插件使用。

而到了Excel2016，微软直接把PQ的功能嵌入进来，放在数据选项卡下。

首先我们使用Excel2016打开一个空白的Excel工作簿文件，依次点击“数据/从文件/从工作簿”，在导航器界面，左侧列出了所有工作表，我们这个不是一个个去勾选加载，如果表很多，那么勾起来太麻烦，直接选任一个表，点击“转换数据”按钮，进入Power Query管理界面即可。

都说到这份儿上了，Python 党得出来说两句了：上百万行的数据还放在excel里面？！别说处理了，你连打开有时候可能都是问题。这种情况下最根本的办法了就是存入数据库然后再处理，即使再不济也可以放入access。可能有人会说可以是使用 power query或者power pivot来处理，但是，实际情况是这么大的数据量，PowerBI也很吃力。

那用 Python 试试？

Python 读取百万行的 Excel 大概要花费5分钟（以我以前的电脑配置 16GB 内存），如果你的配置更好，当然会更快，代码也很简单，如下图：

1.导入 pandas 包， import pandas as pd ，是最常用的数据处理包。

2.使入 pd.read_excel() 读取 test4.xlsx 文件，读取 Excel 有直接写好的方法。

3.使入 df.head() 查看一下前五行。

最终花了 5 分钟，才把这份 50 万行 50 列的数据打开了。虽然比起双击打开是要快一点的（至少打开了），但是还不满足，有没有更快的方式？这时候，就要开始跳出Excel，开始思考其他一些更高效的数据格式。

更高效的数据格式

CSV 格式

CSV文件，是一种以纯文本形式存储表格数据的简单文件格式。在CSV中，每列数据由特殊分隔符分割（如逗号，分号或制表符），用 Python 来读取都非常方便，只要格式规整，用 Pandas 里面的 read_csv 可以快速读取以上格式文件，在我的电脑上，同样是 50 万行 50 列的数据，原来打开要花 5 分钟，现在只花了 5 秒钟，速度提升了60倍：

Pickle 格式

当然 Python 里面还引入了其他的格式，你可能平时接触的不多，但是效果绝对让你惊喜。比如将数据存储为 pkl 的格式，"pickling" 是将 Python 对象及其所拥有的层次结构转化为一个字节流的过程。

我们来看看读取的速度，打开速度一下子提升到500毫秒。

从5分钟，到5秒钟，到500毫秒，没有最快只有更快。

随着业务扩展，数据量一定会越来越大。你也会面临着数据量越来越大，处理的效率越来越慢的问题。我们思考问题的路径就可以从软件 Access、PowerBI，到编程语言 Python，再到文件格式 Excel、CSV、Pickle，一路解决下去。