使用Python Pandas识别xlsx首个日期位置匹配表头读取数据的方法咨询

• 依赖选型
  优先选择openpyxl作为底层处理库，相比pandas直接读取可以保留单元格原始格式属性，精准判断单元格是否为日期/时间格式，pandas可用于后续结构化数据的读取与处理。
• 第一步：批量遍历目标文件
  使用glob模块筛选指定目录下所有后缀为.xlsx的文件，过滤文件名以~开头的Office临时文件，避免读取异常。
• 第二步：逐行扫描定位日期行
  对每个有效XLSX文件执行以下操作：

1. 用openpyxl打开工作簿，根据业务需求选择读取全部工作表或默认第一个工作表
2. 从第一行开始逐行遍历所有单元格，调用openpyxl.utils.datetime.is_date_format()方法判断单元格的数字格式是否为日期/时间类型
3. 首次找到符合日期格式的单元格时，记录当前行号为date_row，其上方一行header_row = date_row - 1即为表头行

可增加校验逻辑：如果date_row为第1行，说明文件没有符合规则的表头，输出日志标记该文件后跳过处理

• 第三步：从表头行读取结构化数据
  确认表头行号后，可直接调用pandas.read_excel()读取数据，将header参数设置为表头行的索引（注意pandas行索引从0开始，若openpyxl中表头行号为k，对应pandas的header值为k-1），自动将表头作为DataFrame的列名，后续行作为数据行。
• 第四步：异常处理补充
  增加异常捕获逻辑，覆盖文件损坏、加密、无有效日期行、表头行全空等异常场景，将异常文件名、异常类型写入日志文件，方便后续人工复核。

示例核心代码片段 #

import os
import glob
import pandas as pd
from openpyxl import load_workbook
from openpyxl.utils.datetime import is_date_format

# 目标文件夹路径
target_dir = "./your_xlsx_dir"
xlsx_files = glob.glob(os.path.join(target_dir, "*.xlsx"))
# 过滤临时文件
xlsx_files = [f for f in xlsx_files if not os.path.basename(f).startswith("~")]

for file_path in xlsx_files:
    wb = load_workbook(file_path, read_only=True, data_only=False)
    # 取第一个工作表，可修改为遍历所有工作表
    ws = wb.active
    date_row = None
    # openpyxl行号从1开始
    for row_num, row in enumerate(ws.iter_rows(), start=1):
        for cell in row:
            if cell.number_format and is_date_format(cell.number_format):
                date_row = row_num
                break
        if date_row:
            break
    wb.close()
    
    if not date_row or date_row <= 1:
        print(f"文件{os.path.basename(file_path)}未找到有效表头，跳过")
        continue
    
    # 读取数据：openpyxl行号转pandas 0索引
    header_idx = date_row - 2
    df = pd.read_excel(file_path, header=header_idx)
    # 后续可自行添加数据存储、合并等处理逻辑
    print(f"文件{os.path.basename(file_path)}读取完成，共{len(df)}条数据")

内容的提问来源于stack exchange，提问作者Td354