如何用TensorFlow读取Excel文件？求类似MATLAB xlsread的简便命令

嘿，从MATLAB转用Python的话，确实会想找和xlsread一样顺手的工具！TensorFlow本身并没有直接读取Excel文件的API，但我们可以借助pandas这个超级实用的数据处理库——它的read_excel函数和MATLAB的xlsread几乎一样简便，之后再把数据转换成TensorFlow能直接使用的格式就行。下面一步步来：

1. 先安装必要的库 #

首先得确保你装了pandas和处理Excel的依赖库（比如openpyxl用来读取.xlsx文件），在终端里运行：

pip install pandas openpyxl

2. 读取Excel文件（对应MATLAB的xlsread） #

用pandas读取Excel就像用xlsread一样简单，示例代码如下：

import pandas as pd

# 读取整个工作表，sheet_name可以是工作表名称（比如"Sheet1"）或者索引（比如0）
df = pd.read_excel("your_file.xlsx", sheet_name="Sheet1")

# 如果只需要提取数值数据（和xlsread默认返回的数值矩阵一致），可以转成numpy数组
data = df.values

小提示：如果你的Excel没有表头，记得加上header=None参数，避免把第一行数据当成表头处理。

3. 转换为TensorFlow可用的张量 #

拿到numpy数组后，直接转成TensorFlow张量就可以用于模型训练了：

import tensorflow as tf

# 将numpy数组转为TensorFlow张量，dtype可以根据你的数据类型调整（比如float32）
tf_data = tf.convert_to_tensor(data, dtype=tf.float32)

# 通常我们需要拆分特征和标签（假设最后一列是标签）
features = tf_data[:, :-1]  # 所有行，除了最后一列的所有列
labels = tf_data[:, -1]     # 所有行的最后一列

4. 数据预处理（训练ANN的关键步骤） #

和MATLAB训练模型一样，数据要先清理好：

• 处理缺失值：可以删除含缺失值的行df = df.dropna()，或者用均值/中位数填充df = df.fillna(df.mean())
• 标准化/归一化：如果特征数值范围差异大，建议做标准化，比如：

  from sklearn.preprocessing import StandardScaler
  scaler = StandardScaler()
  scaled_features = scaler.fit_transform(features.numpy())
  scaled_features = tf.convert_to_tensor(scaled_features, dtype=tf.float32)
  

5. 用数据训练ANN #

最后就是搭建并训练模型了，给个简单的示例：

# 搭建一个简单的人工神经网络
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(scaled_features.shape[1],)),
    tf.keras.layers.Dense(32, activation='relu'),
    tf.keras.layers.Dense(1)  # 如果是分类任务，这里改成类别数，激活函数用softmax
])

# 编译模型，根据任务选损失函数和优化器
model.compile(optimizer='adam', loss='mean_squared_error')  # 回归任务用MSE，分类用交叉熵

# 开始训练
model.fit(scaled_features, labels, epochs=50, batch_size=8, validation_split=0.2)

这样一套流程下来，就和你在MATLAB里用xlsread读数据然后训练模型的逻辑完全对应上啦～

内容的提问来源于stack exchange，提问作者user4061624