如何为pandas的read_csv选择编码？读取xlsx报UnicodeDecodeError怎么办

你遇到的UnicodeDecodeError报错本质是调用了错误的文件读取方法，和编码设置无关：

• xlsx是Excel专用的二进制压缩格式文件，本质是打包了XML配置和内容的ZIP压缩包，你贴出的原始内容开头的PK就是ZIP文件的标准头标识，这类文件不能用纯文本读取工具解析。
• pd.read_csv()是专门用来读取纯文本格式的CSV（逗号分隔值）文件的接口，完全不支持读取xlsx格式文件，因此无论怎么调整编码参数都无法解决问题。

解决步骤 #

1. 首先安装xlsx格式读取依赖：

pip install openpyxl

2. 替换原有读取代码，使用pandas专门的Excel读取接口：

import pandas as pd
df = pd.read_excel(file, engine='openpyxl')

如果你的需求是提取xlsx内的原始文本而非结构化读取为表格，可直接通过openpyxl库操作工作表逐单元格读取内容，不要直接读取xlsx文件的二进制内容转码。

内容的提问来源于stack exchange，提问作者Francis