一、各库定位 & 适用场景

  • 1. openpyxl

  • 读写 .xlsx，原生操作单元格、格式、合并单元格、图表、批注

  • 面向单元格精细操作，适合修改已有表格、调格式、复杂报表

  • 底层纯 Python，大文件速度一般，内存占用偏高

  • 2. xlsxwriter（X 开头）

  • 仅新建写入 xlsx，不能打开已有文件修改

  • 支持丰富样式、图表、条件格式

  • 写入速度远快于 openpyxl，批量导出数据首选

  • 3. xlrd（X 开头）

  • 只读库，新版仅支持 .xls（二进制旧表格），不支持 xlsx

  • 读取 xls 速度极快，xlsx 请放弃 xlrd

  • 4. pandas

  • 底层封装 openpyxl /xlsxwriter/xlrd，本身不直接解析 Excel

  • 读：pd.read_excel() 默认引擎 openpyxl/xlsx

  • 写：df.to_excel() 可指定 engine=xlsxwriter /openpyxl

  • 优势：批量表格数据、大数据集、数据分析；劣势：精细单元格格式难操作

二、效率排名（分场景）

场景 1：大批量导出数据（几万 / 几十万行，只写数据，不需要修改旧表）

速度从快到慢：

xlsxwriter > pandas(engine=xlsxwriter) > pandas(engine=openpyxl) > openpyxl

xlsxwriter 底层 C 优化，写入性能碾压 openpyxl，海量导出必选。

场景 2：读取大 xlsx 文件，只拿数据做分析

速度：

pandas (openpyxl 引擎) ≈ openpyxl

二者差距很小；如果是老 xls 文件，xlrd 读取速度最快。

场景 3：打开已有 xlsx，修改单元格、调整格式、增删行列

只能用 openpyxl（xlsxwriter 不能打开旧文件）

此时没有替代，效率上限就是 openpyxl，大数据会卡内存。

三、关键结论

  • 1. 单纯导出大量数据 追求效率：用 pandas + xlsxwriter

  • 2. 需要编辑已有 Excel、调样式、图表、合并单元格 ：只能 openpyxl

  • 3. 读取老式 .xls 文件：xlrd

  • 4. 不要用纯 openpyxl 循环逐行写入上万行数据，速度极慢；批量 DataFrame 写入优先 xlsxwriter 引擎

补充避坑

  • xlsxwriter 无法加载已存在的 demo.xlsx，只能新建文件；

  • openpyxl 读写 xlsx 全能，但循环 cell 写入效率低；

  • pandas 只是封装工具，真正决定速度的是你指定的engine引擎。