### 3.1 使用 Pandas 和 NumPy 结合读取 Excel 并转换为数组 将 Excel 文件中的数据读取为 NumPy 数组是数据分析和科学计算中的常见需求。Pandas 提供了高效的 `read_excel()` 函数，可以将 Excel 数据加载为 DataFrame 对象，随后通过 `.values` 或 `.to_numpy()` 方法将其快速转换为 NumPy 数组 [^1]。 以下是一个完整的示例： ```python import pandas as pd import numpy as np # 读取 Excel 文件并转换为 NumPy 数组 df = pd.read_excel('data.xlsx') array = df.to_numpy() print(array) print(array.shape) ``` 此方法支持多种参数配置，如指定工作表名称、跳过行数、选择特定列等，适用于结构化数据的高效处理 [^3]。 --- ### 3.2 使用 NumPy 直接读取 Excel（需借助第三方库） 虽然 NumPy 本身不直接支持 Excel 文件格式，但可以通过结合 `xlrd` 等库实现直接读取，并构造 NumPy 数组。例如，使用 `xlrd` 打开 Excel 文件后，遍历每一行并将数据写入预先分配的 NumPy 数组中 [^3]： ```python import xlrd import numpy as np def excel_to_array(path): workbook = xlrd.open_workbook(path) sheet = workbook.sheet_by_index(0) rows_num = sheet.nrows cols_num = sheet.ncols data_array = np.zeros((rows_num, cols_num)) for i in range(rows_num): row_data = sheet.row_values(i) data_array[i, :] = row_data return data_array data = excel_to_array('data.xlsx') print(data) print(data.shape) ``` 该方式适用于对底层数据访问有特殊控制需求的场景，但相较于 Pandas 方法略显繁琐。 --- ### 3.3 高性能替代方案：使用 Pandas + 强类型转换 在某些情况下，为了进一步优化内存使用和提升后续计算效率，可以在读取时指定列的数据类型，从而减少不必要的类型推断开销，并确保最终生成的 NumPy 数组具有统一的数据结构 [^1]： ```python df = pd.read_excel('data.xlsx', dtype={'ColumnA': 'float32', 'ColumnB': 'int32'}) array = df.to_numpy() ``` 这种方式尤其适用于大规模数值型数据的处理任务。 --- ###