一年多前，我在之前担任数据分析师时开始学习 Python。我当时工作的公司都是关于 Excel 的。每个月我都必须清理和合并从世界各地收集的近 100 个不同的文件——正如你可以想象的那样，这是一场噩梦！由于客户的性质，这是一个古老的故事，即交付分析的周转时间非常紧迫，导致压力瓶颈再次出现。

最初，我使用 VBA 来自动化我的一些每月工作，但是我发现如果数据集格式每月略有不同，它就会变得相当僵化。我也遇到了 Excel 崩溃的严重问题，尤其是随着数据量的增长。然后我发现了 Python，它确实改变了我的生活！当某些文件格式不同时，我可以很容易地相应地更新和修改我的 Python 脚本。也没有更多的文件崩溃和丢失我的工作。

1.导入Excel并确保日期是日期时间对象

首先，您需要将 Excel 文件读入 Pandas 数据框。我最初使用数据框时遇到的一个问题是使用日期。当我了解 datetime 类型时，这开启了格式化、日期计算等等的可能性。

pd.read_excel(file_path, parse_dates=['date_col1', 'date_col2']

实际测试数据
日期测试数据：02date.zip

ndate = pd.read_excel("日期.xlsx",parse_dates=['出生日期','采样时间','登记时间'])

这里，file_path是您需要清理的 Excel 文件的位置，以及文件名和文件扩展名。将datecol1和替换datecol2为带有日期的列名 — 您始终可以在列表中添加或删除更多内容，或删除第二