文章

MATLAB 读取 Excel 文件完全指南

发表于
0 作者 hengzhou 28 分钟阅读

📊 MATLAB 读取 Excel 文件完全指南

本文将详细介绍 MATLAB 读取 Excel 文件的多种方法，包括基本读取、高级选项、数据清洗和实战案例，帮助你高效处理 Excel 数据。

🚀 为什么需要 MATLAB 读取 Excel？

Excel 是数据存储和交换的常用格式，MATLAB 提供了强大的 Excel 读取功能：

  • 📈 数据分析：将 Excel 数据导入 MATLAB 进行统计分析
  • 🔬 科学研究：处理实验数据、测量结果
  • 📊 商业应用：财务报表、销售数据分析
  • 🎯 工程计算：仿真参数、测试数据导入

📚 MATLAB 读取 Excel 的主要函数

1️⃣ xlsread 函数（传统方法）

xlsread 是 MATLAB 传统的 Excel 读取函数，支持多种数据格式：

1
2

% 基本语法
[num, txt, raw] = xlsread(filename, sheet, range)
  • 参数说明：
    • filename：Excel 文件名（包含路径）
    • sheet：工作表名称或索引（可选）
    • range：读取范围（可选，如 ‘A1:C10’）
  • 返回值：
    • num：数值数据矩阵
    • txt：文本数据单元格数组
    • raw：原始数据（混合类型）

示例代码

1
2
3
4
5
6
7
8
9
10
11

% 示例 1：读取整个工作表
[num, txt, raw] = xlsread('data.xlsx');

% 示例 2：读取指定工作表
[num, txt, raw] = xlsread('data.xlsx', 'Sheet2');

% 示例 3：读取指定范围
[num, txt, raw] = xlsread('data.xlsx', 'Sheet1', 'A1:D100');

% 示例 4：只读取数值数据
num = xlsread('data.xlsx');

2️⃣ readtable 函数（推荐方法）

readtable 是 MATLAB R2013b 引入的现代函数，返回表格数据类型：

1
2

% 基本语法
T = readtable(filename, 'Sheet', sheet, 'Range', range)
  • 优势：
    • 自动识别列名
    • 支持混合数据类型
    • 更好的数据组织
    • 支持更多选项

示例代码

1
2
3
4
5
6
7
8
9
10
11

% 示例 1：读取整个 Excel 文件
T = readtable('data.xlsx');

% 示例 2：读取指定工作表
T = readtable('data.xlsx', 'Sheet', 'Sheet2');

% 示例 3：读取指定范围
T = readtable('data.xlsx', 'Range', 'A1:D100');

% 示例 4：指定变量名
T = readtable('data.xlsx', 'VariableNamingRule', 'preserve');

3️⃣ readmatrix 函数（纯数值数据）

readmatrix 专门用于读取数值矩阵：

1
2

% 基本语法
M = readmatrix(filename, 'Sheet', sheet, 'Range', range)
  • 特点：
    • 只读取数值数据
    • 忽略文本和空单元格
    • 返回标准矩阵

示例代码

1
2
3
4
5
6
7
8

% 示例 1：读取数值矩阵
M = readmatrix('data.xlsx');

% 示例 2：读取指定范围的数值
M = readmatrix('data.xlsx', 'Range', 'B2:F50');

% 示例 3：处理缺失值
M = readmatrix('data.xlsx', 'MissingRule', 'fill');

4️⃣ readcell 函数（混合数据）

readcell 读取所有数据为单元格数组：

1
2

% 基本语法
C = readcell(filename, 'Sheet', sheet, 'Range', range)
  • 适用场景：
    • 混合数据类型
    • 需要保留原始格式
    • 不确定数据类型的文件

示例代码

1
2
3
4
5
6
7
8

% 示例 1：读取所有数据为单元格
C = readcell('data.xlsx');

% 示例 2：读取指定工作表
C = readcell('data.xlsx', 'Sheet', 'Sheet2');

% 示例 3：处理日期格式
C = readcell('data.xlsx', 'DateLocale', 'zh_CN');

🔧 高级读取选项

1️⃣ 处理缺失值

1
2
3
4
5
6
7
8
9
10

% 方法 1：使用 readtable 的 MissingRule 选项
T = readtable('data.xlsx', 'MissingRule', 'fill', 'FillValue', 0);

% 方法 2：读取后处理
T = readtable('data.xlsx');
T = standardizeMissing(T, {'NA', 'NaN', ''});

% 方法 3：使用 fillmissing 函数
T = readtable('data.xlsx');
T.Var1 = fillmissing(T.Var1, 'constant', 0);

2️⃣ 数据类型转换

1
2
3
4
5
6
7
8

% 指定列的数据类型
opts = detectImportOptions('data.xlsx');
opts = setvartype(opts, {'Var1', 'Var2'}, 'double');
opts = setvartype(opts, 'Var3', 'string');
T = readtable('data.xlsx', opts);

% 自动检测数据类型
T = readtable('data.xlsx', 'VariableNamingRule', 'preserve');

3️⃣ 读取特定列

1
2
3
4
5
6
7
8
9
10

% 方法 1：使用列名
T = readtable('data.xlsx', 'SelectedVariableNames', {'姓名', '年龄', '成绩'});

% 方法 2：使用列索引
T = readtable('data.xlsx', 'SelectedVariableNames', [1, 3, 5]);

% 方法 3：使用 ImportOptions
opts = detectImportOptions('data.xlsx');
opts.SelectedVariableNames = {'Column1', 'Column3', 'Column5'};
T = readtable('data.xlsx', opts);

4️⃣ 处理日期和时间

1
2
3
4
5
6
7
8
9
10

% 读取日期数据
T = readtable('data.xlsx', 'DateLocale', 'zh_CN');

% 指定日期格式
opts = detectImportOptions('data.xlsx');
opts = setvaropts(opts, 'DateColumn', 'InputFormat', 'yyyy-MM-dd');
T = readtable('data.xlsx', opts);

% 转换日期格式
T.DateColumn = datetime(T.DateColumn, 'InputFormat', 'dd/MM/yyyy');

📊 实战案例：学生成绩分析

案例背景

假设有一个 Excel 文件 students.xlsx，包含以下数据：

学号姓名数学物理化学总分
001张三859088263
002李四928895275
003王五788580243
004赵六959290277

实现代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170

%% 学生成绩分析系统
clear all; clc;

%% 1. 读取 Excel 数据
% 使用 readtable 读取数据
filename = 'students.xlsx';
students = readtable(filename);

% 显示数据
disp('原始数据：');
disp(students);

%% 2. 数据预处理
% 检查缺失值
missing_values = sum(ismissing(students));
disp('缺失值统计：');
disp(missing_values);

% 如果有缺失值，用平均值填充
if any(missing_values > 0)
    for i = 3:6  % 成绩列
        col_name = students.Properties.VariableNames{i};
        students.(col_name) = fillmissing(students.(col_name), 'mean');
    end
end

%% 3. 统计分析
% 计算各科平均分
math_avg = mean(students.数学);
physics_avg = mean(students.物理);
chemistry_avg = mean(students.化学);
total_avg = mean(students.总分);

fprintf('\n=== 成绩统计分析 ===\n');
fprintf('数学平均分: %.2f\n', math_avg);
fprintf('物理平均分: %.2f\n', physics_avg);
fprintf('化学平均分: %.2f\n', chemistry_avg);
fprintf('总分平均分: %.2f\n', total_avg);

% 计算标准差
math_std = std(students.数学);
physics_std = std(students.物理);
chemistry_std = std(students.化学);

fprintf('\n=== 成绩标准差分析 ===\n');
fprintf('数学标准差: %.2f\n', math_std);
fprintf('物理标准差: %.2f\n', physics_std);
fprintf('化学标准差: %.2f\n', chemistry_std);

%% 4. 排名分析
% 按总分排序
[~, idx] = sort(students.总分, 'descend');
ranked_students = students(idx, :);

fprintf('\n=== 学生排名 ===\n');
for i = 1:height(ranked_students)
    fprintf('第%d名: %s (总分: %d)\n', i, ...
            ranked_students.姓名{i}, ranked_students.总分(i));
end

%% 5. 可视化分析
% 创建图形窗口
figure('Position', [100, 100, 1200, 600]);

% 子图1：各科成绩分布
subplot(1, 3, 1);
boxplot([students.数学, students.物理, students.化学], ...
        'Labels', {'数学', '物理', '化学'});
title('各科成绩分布箱线图');
ylabel('分数');
grid on;

% 子图2：学生总分柱状图
subplot(1, 3, 2);
bar(students.总分);
set(gca, 'XTickLabel', students.姓名);
title('学生总分柱状图');
xlabel('学生姓名');
ylabel('总分');
grid on;
xtickangle(45);

% 子图3：各科平均分饼图
subplot(1, 3, 3);
scores = [math_avg, physics_avg, chemistry_avg];
labels = {'数学', '物理', '化学'};
pie(scores, labels);
title('各科平均分比例');

%% 6. 输出分析报告
% 创建分析报告
report_filename = '成绩分析报告.txt';
fid = fopen(report_filename, 'w', 'n', 'UTF-8');

fprintf(fid, '========== 学生成绩分析报告 ==========\n\n');
fprintf(fid, '分析时间: %s\n\n', datetime('now'));

fprintf(fid, '一、基本统计信息\n');
fprintf(fid, '----------------------------------------\n');
fprintf(fid, '学生总数: %d人\n', height(students));
fprintf(fid, '数学平均分: %.2f\n', math_avg);
fprintf(fid, '物理平均分: %.2f\n', physics_avg);
fprintf(fid, '化学平均分: %.2f\n', chemistry_avg);
fprintf(fid, '总分平均分: %.2f\n\n', total_avg);

fprintf(fid, '二、学生排名\n');
fprintf(fid, '----------------------------------------\n');
for i = 1:height(ranked_students)
    fprintf(fid, '第%d名: %s (学号: %s, 总分: %d)\n', i, ...
            ranked_students.姓名{i}, ranked_students.学号{i}, ...
            ranked_students.总分(i));
end

fprintf(fid, '\n三、建议\n');
fprintf(fid, '----------------------------------------\n');
fprintf(fid, '1. 数学成绩标准差较大，建议加强基础教学\n');
fprintf(fid, '2. 物理成绩整体较好，可适当增加难度\n');
fprintf(fid, '3. 化学成绩相对稳定，保持当前教学节奏\n');

fclose(fid);
fprintf('\n分析报告已保存到: %s\n', report_filename);

%% 7. 保存处理后的数据
% 将处理后的数据保存到新 Excel 文件
output_filename = 'processed_students.xlsx';
writetable(students, output_filename, 'Sheet', '处理后的数据');

% 添加排名信息
ranked_table = table((1:height(ranked_students))', ...
                     ranked_students.学号, ranked_students.姓名, ...
                     ranked_students.数学, ranked_students.物理, ...
                     ranked_students.化学, ranked_students.总分, ...
                     'VariableNames', {'排名', '学号', '姓名', '数学', '物理', '化学', '总分'});
writetable(ranked_table, output_filename, 'Sheet', '排名结果');

fprintf('处理后的数据已保存到: %s\n', output_filename);

%% 8. 高级分析：相关性分析
fprintf('\n=== 科目相关性分析 ===\n');
correlation_matrix = corrcoef([students.数学, students.物理, students.化学]);
corr_table = array2table(correlation_matrix, ...
                        'VariableNames', {'数学', '物理', '化学'}, ...
                        'RowNames', {'数学', '物理', '化学'});
disp(corr_table);

% 可视化相关性矩阵
figure('Position', [100, 100, 800, 600]);
heatmap({'数学', '物理', '化学'}, {'数学', '物理', '化学'}, correlation_matrix);
title('科目成绩相关性热图');
colormap('jet');
colorbar;

%% 9. 性能优化建议
fprintf('\n=== 性能优化建议 ===\n');
fprintf('1. 对于大型 Excel 文件，建议使用 ImportOptions 预定义导入参数\n');
fprintf('2. 如果只需要部分数据，使用 SelectedVariableNames 减少内存占用\n');
fprintf('3. 对于纯数值数据，使用 readmatrix 比 readtable 更快\n');
fprintf('4. 考虑将 Excel 转换为 .mat 格式以提高后续读取速度\n');

%% 10. 错误处理示例
try
    % 尝试读取不存在的文件
    test_data = readtable('nonexistent.xlsx');
catch ME
    fprintf('\n错误处理示例：\n');
    fprintf('错误信息: %s\n', ME.message);
    fprintf('建议：检查文件路径和文件名是否正确\n');
end

fprintf('\n=== 分析完成 ===\n');

🚀 性能优化技巧

1️⃣ 大型文件处理

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

% 方法 1：分块读取
opts = detectImportOptions('large_data.xlsx');
opts.DataRange = 'A1';
T = readtable('large_data.xlsx', opts, 'ReadVariableNames', true);

% 方法 2：只读取需要的列
opts.SelectedVariableNames = {'重要列1', '重要列2', '重要列3'};
T = readtable('large_data.xlsx', opts);

% 方法 3：使用 datastore（超大型文件）
ds = datastore('large_data.xlsx');
while hasdata(ds)
    T = read(ds);
    % 处理数据块
end

2️⃣ 内存优化

1
2
3
4
5
6
7
8

% 清除不需要的变量
clear num txt raw

% 使用适当的数据类型
T.Score = int16(T.Score);  % 如果分数范围在 0-100

% 压缩数据
T = compress(T);

3️⃣ 批量处理多个文件

1
2
3
4
5
6
7
8
9
10
11

% 批量读取多个 Excel 文件
files = dir('*.xlsx');
all_data = cell(length(files), 1);

for i = 1:length(files)
    fprintf('正在处理: %s\n', files(i).name);
    all_data{i} = readtable(files(i).name);
end

% 合并数据
combined_data = vertcat(all_data{:});

🔍 常见问题与解决方案

问题 1：中文乱码

解决方案：

1
2
3
4
5
6

% 指定文件编码
T = readtable('data.xlsx', 'FileEncoding', 'UTF-8');

% 或者使用 ImportOptions
opts = detectImportOptions('data.xlsx', 'FileEncoding', 'UTF-8');
T = readtable('data.xlsx', opts);

问题 2：日期格式错误

解决方案：

1
2
3
4
5
6

% 指定日期格式
opts = detectImportOptions('data.xlsx');
opts = setvaropts(opts, 'DateColumn', ...
                  'InputFormat', 'yyyy-MM-dd', ...
                  'DatetimeFormat', 'yyyy-MM-dd');
T = readtable('data.xlsx', opts);

问题 3：科学计数法问题

解决方案：

1
2
3
4
5
6
7

% 使用 ImportOptions 指定数据类型
opts = detectImportOptions('data.xlsx');
opts = setvartype(opts, 'LargeNumberColumn', 'string');
T = readtable('data.xlsx', opts);

% 转换回数值（如果需要）
T.LargeNumberColumn = str2double(T.LargeNumberColumn);

问题 4：读取速度慢

解决方案：

1
2
3
4
5
6
7
8
9
10
11
12
13
14

% 1. 使用 readmatrix 代替 readtable（纯数值数据）
M = readmatrix('data.xlsx');

% 2. 预定义 ImportOptions
opts = detectImportOptions('data.xlsx');
T = readtable('data.xlsx', opts);

% 3. 关闭自动类型检测
opts = detectImportOptions('data.xlsx', 'VariableNamingRule', 'preserve');
T = readtable('data.xlsx', opts);

% 4. 使用 datastore 处理超大文件
ds = datastore('large_data.xlsx');
data = readall(ds);

问题 5：内存不足

解决方案：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

% 1. 分块读取
chunk_size = 10000;
opts = detectImportOptions('large_data.xlsx');
opts.DataRange = sprintf('A1:A%d', chunk_size);
T = readtable('large_data.xlsx', opts);

% 2. 只读取需要的列
opts.SelectedVariableNames = {'Column1', 'Column2', 'Column3'};
T = readtable('data.xlsx', opts);

% 3. 使用适当的数据类型
T.SmallNumbers = int8(T.SmallNumbers);
T.MediumNumbers = int16(T.MediumNumbers);

% 4. 及时清除不需要的变量
clear large_data temp_data

📈 最佳实践总结

1️⃣ 选择合适的函数

场景推荐函数理由
需要表格操作readtable自动识别列名，支持表格操作
纯数值数据readmatrix速度快，内存占用小
混合数据类型readcell保留原始格式
向后兼容xlsread旧版本 MATLAB 支持

2️⃣ 性能优化建议

  1. 预处理 ImportOptions：

    1
2
3

    opts = detectImportOptions('data.xlsx');
% 配置选项...
T = readtable('data.xlsx', opts);
  2. 减少内存占用：
    • 只读取需要的列
    • 使用适当的数据类型
    • 及时清除不需要的变量
  3. 处理大型文件：
    • 使用 datastore 分块读取
    • 考虑转换为 .mat 格式
    • 使用 readmatrix 替代 readtable

3️⃣ 错误处理策略

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

try
    % 尝试读取文件
    T = readtable('data.xlsx');
catch ME
    % 错误处理
    fprintf('读取文件失败: %s\n', ME.message);

    % 尝试其他方法
    try
        T = readmatrix('data.xlsx');
    catch
        fprintf('所有方法都失败了\n');
        return;
    end
end

🎯 实战演练：销售数据分析

案例需求

分析一个销售数据 Excel 文件 sales.xlsx，包含以下列：

  • 日期 (Date)
  • 产品名称 (Product)
  • 销售数量 (Quantity)
  • 单价 (Price)
  • 销售员 (Salesperson)

实现代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247

%% 销售数据分析系统
clear all; clc;

%% 1. 读取销售数据
fprintf('正在读取销售数据...\n');
sales_data = readtable('sales.xlsx', 'DateLocale', 'zh_CN');

% 显示数据概览
fprintf('数据概览:\n');
fprintf('总记录数: %d\n', height(sales_data));
fprintf('数据列: %s\n', strjoin(sales_data.Properties.VariableNames, ', '));

%% 2. 数据清洗
% 检查缺失值
missing_summary = sum(ismissing(sales_data));
if any(missing_summary > 0)
    fprintf('发现缺失值，正在处理...\n');

    % 数值列用中位数填充
    numeric_cols = {'Quantity', 'Price'};
    for i = 1:length(numeric_cols)
        col = numeric_cols{i};
        if ismember(col, sales_data.Properties.VariableNames)
            sales_data.(col) = fillmissing(sales_data.(col), 'median');
        end
    end

    % 文本列用众数填充
    text_cols = {'Product', 'Salesperson'};
    for i = 1:length(text_cols)
        col = text_cols{i};
        if ismember(col, sales_data.Properties.VariableNames)
            sales_data.(col) = fillmissing(sales_data.(col), 'constant', '未知');
        end
    end
end

%% 3. 计算销售额
sales_data.TotalAmount = sales_data.Quantity .* sales_data.Price;

%% 4. 按产品分析
fprintf('\n=== 按产品分析 ===\n');
products = unique(sales_data.Product);
for i = 1:length(products)
    product_mask = strcmp(sales_data.Product, products{i});
    product_sales = sales_data(product_mask, :);

    total_quantity = sum(product_sales.Quantity);
    total_amount = sum(product_sales.TotalAmount);
    avg_price = mean(product_sales.Price);

    fprintf('产品: %s\n', products{i});
    fprintf('  总销量: %d\n', total_quantity);
    fprintf('  总销售额: ¥%.2f\n', total_amount);
    fprintf('  平均单价: ¥%.2f\n', avg_price);
    fprintf('  销售记录数: %d\n\n', height(product_sales));
end

%% 5. 按销售员分析
fprintf('\n=== 按销售员分析 ===\n');
salespersons = unique(sales_data.Salesperson);
salesperson_stats = table();

for i = 1:length(salespersons)
    person_mask = strcmp(sales_data.Salesperson, salespersons{i});
    person_sales = sales_data(person_mask, :);

    total_amount = sum(person_sales.TotalAmount);
    avg_amount = mean(person_sales.TotalAmount);
    transaction_count = height(person_sales);

    % 添加到统计表
    new_row = table({salespersons{i}}, total_amount, avg_amount, transaction_count, ...
                    'VariableNames', {'Salesperson', 'TotalAmount', 'AvgAmount', 'TransactionCount'});
    salesperson_stats = [salesperson_stats; new_row];
end

% 按总销售额排序
salesperson_stats = sortrows(salesperson_stats, 'TotalAmount', 'descend');
disp(salesperson_stats);

%% 6. 时间序列分析
fprintf('\n=== 时间序列分析 ===\n');

% 按月份汇总
sales_data.Month = month(sales_data.Date);
sales_data.Year = year(sales_data.Date);

monthly_sales = groupsummary(sales_data, {'Year', 'Month'}, 'sum', 'TotalAmount');
monthly_sales.Properties.VariableNames{'sum_TotalAmount'} = 'MonthlyTotal';

% 显示月度销售数据
fprintf('月度销售汇总:\n');
disp(monthly_sales);

%% 7. 可视化分析
figure('Position', [100, 100, 1400, 800]);

% 子图1：产品销售额饼图
subplot(2, 3, 1);
product_totals = zeros(length(products), 1);
for i = 1:length(products)
    product_mask = strcmp(sales_data.Product, products{i});
    product_totals(i) = sum(sales_data.TotalAmount(product_mask));
end
pie(product_totals, products);
title('产品销售额占比');

% 子图2：销售员业绩柱状图
subplot(2, 3, 2);
bar(salesperson_stats.TotalAmount);
set(gca, 'XTickLabel', salesperson_stats.Salesperson);
title('销售员业绩对比');
xlabel('销售员');
ylabel('总销售额 (元)');
xtickangle(45);
grid on;

% 子图3：月度销售趋势
subplot(2, 3, 3);
monthly_sales.MonthYear = datetime(monthly_sales.Year, monthly_sales.Month, 1);
plot(monthly_sales.MonthYear, monthly_sales.MonthlyTotal, 'o-', 'LineWidth', 2);
title('月度销售趋势');
xlabel('月份');
ylabel('销售额 (元)');
grid on;
datetick('x', 'yyyy-mm', 'keepticks');

% 子图4：价格分布直方图
subplot(2, 3, 4);
histogram(sales_data.Price, 20);
title('产品价格分布');
xlabel('价格 (元)');
ylabel('频数');
grid on;

% 子图5：销量与价格散点图
subplot(2, 3, 5);
scatter(sales_data.Price, sales_data.Quantity, 50, 'filled', 'MarkerFaceAlpha', 0.6);
title('价格 vs 销量');
xlabel('价格 (元)');
ylabel('销量');
grid on;

% 子图6：热力图 - 销售员 vs 产品
subplot(2, 3, 6);
% 创建交叉表
heatmap_data = zeros(length(salespersons), length(products));
for i = 1:length(salespersons)
    for j = 1:length(products)
        mask = strcmp(sales_data.Salesperson, salespersons{i}) & ...
               strcmp(sales_data.Product, products{j});
        heatmap_data(i, j) = sum(sales_data.TotalAmount(mask));
    end
end
imagesc(heatmap_data);
colorbar;
set(gca, 'XTick', 1:length(products), 'XTickLabel', products);
set(gca, 'YTick', 1:length(salespersons), 'YTickLabel', salespersons);
title('销售员-产品销售额热力图');
xlabel('产品');
ylabel('销售员');
xtickangle(45);

%% 8. 生成分析报告
report_filename = '销售分析报告.txt';
fid = fopen(report_filename, 'w', 'n', 'UTF-8');

fprintf(fid, '========== 销售数据分析报告 ==========\n\n');
fprintf(fid, '报告生成时间: %s\n\n', datetime('now'));

fprintf(fid, '一、数据概览\n');
fprintf(fid, '----------------------------------------\n');
fprintf(fid, '总销售记录数: %d\n', height(sales_data));
fprintf(fid, '总销售额: ¥%.2f\n', sum(sales_data.TotalAmount));
fprintf(fid, '平均每单金额: ¥%.2f\n', mean(sales_data.TotalAmount));
fprintf(fid, '产品种类数: %d\n', length(products));
fprintf(fid, '销售员人数: %d\n\n', length(salespersons));

fprintf(fid, '二、销售员排名\n');
fprintf(fid, '----------------------------------------\n');
for i = 1:height(salesperson_stats)
    fprintf(fid, '第%d名: %s (销售额: ¥%.2f, 平均单额: ¥%.2f, 成交数: %d)\n', ...
            i, salesperson_stats.Salesperson{i}, ...
            salesperson_stats.TotalAmount(i), ...
            salesperson_stats.AvgAmount(i), ...
            salesperson_stats.TransactionCount(i));
end

fprintf(fid, '\n三、产品分析\n');
fprintf(fid, '----------------------------------------\n');
for i = 1:length(products)
    product_mask = strcmp(sales_data.Product, products{i});
    product_sales = sales_data(product_mask, :);

    fprintf(fid, '产品: %s\n', products{i});
    fprintf(fid, '  销售额: ¥%.2f\n', sum(product_sales.TotalAmount));
    fprintf(fid, '  销量: %d\n', sum(product_sales.Quantity));
    fprintf(fid, '  平均价格: ¥%.2f\n', mean(product_sales.Price));
    fprintf(fid, '  销售记录数: %d\n\n', height(product_sales));
end

fprintf(fid, '四、建议\n');
fprintf(fid, '----------------------------------------\n');
fprintf(fid, '1. 重点关注销售额最高的产品\n');
fprintf(fid, '2. 奖励表现优秀的销售员\n');
fprintf(fid, '3. 分析月度销售趋势，制定营销策略\n');
fprintf(fid, '4. 优化价格策略以提高销量\n');

fclose(fid);
fprintf('\n分析报告已保存到: %s\n', report_filename);

%% 9. 保存处理结果
% 保存处理后的数据
output_filename = 'processed_sales_data.xlsx';
writetable(sales_data, output_filename, 'Sheet', '销售数据');

% 保存销售员统计
writetable(salesperson_stats, output_filename, 'Sheet', '销售员统计');

% 保存月度汇总
writetable(monthly_sales, output_filename, 'Sheet', '月度汇总');

fprintf('处理结果已保存到: %s\n', output_filename);

%% 10. 高级分析：预测模型（示例）
fprintf('\n=== 销售预测模型（示例） ===\n');

% 准备时间序列数据（简化示例）
if height(monthly_sales) >= 3
    % 使用简单移动平均进行预测
    monthly_totals = monthly_sales.MonthlyTotal;

    % 计算3个月移动平均
    if length(monthly_totals) >= 3
        ma3 = movmean(monthly_totals, 3);
        fprintf('3个月移动平均预测:\n');
        for i = 1:length(ma3)
            fprintf('  月份 %d: 实际 %.2f, 预测 %.2f\n', ...
                    i, monthly_totals(i), ma3(i));
        end
    end
else
    fprintf('数据不足，无法进行预测分析\n');
end

fprintf('\n=== 分析完成 ===\n');

🎓 学习资源推荐

1️⃣ 官方文档

2️⃣ 在线教程

  • MATLAB 官方教程：数据导入与导出
  • MathWorks 在线课程：MATLAB 数据处理
  • 中文社区：MATLAB 中文论坛

3️⃣ 推荐书籍

  • 《MATLAB 从入门到精通》
  • 《MATLAB 数据分析与挖掘实战》
  • 《MATLAB 工程应用》

📝 总结

通过本文的学习，你应该掌握了：

  1. 多种读取方法：xlsread、readtable、readmatrix、readcell
  2. 高级选项配置：ImportOptions、数据类型转换、缺失值处理
  3. 实战案例分析：学生成绩分析、销售数据分析
  4. 性能优化技巧：大型文件处理、内存优化、批量处理
  5. 问题解决方案：中文乱码、日期格式、科学计数法等常见问题

MATLAB 读取 Excel 文件是数据分析和科学计算的基础技能，掌握这些技巧将大大提高你的工作效率。建议结合实际项目进行练习，逐步掌握各种高级功能。

记住：选择合适的方法比使用最复杂的方法更重要。根据数据特点和需求选择最简单的解决方案。

最后更新：2025年3月22日 作者：MATLAB 数据分析专家

matlab, excel, 数据处理
本文由作者按照 CC BY 4.0 进行授权