MATLAB 读取 Excel 文件完全指南

📊 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：

% 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

% 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：

% 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

% 示例 1：读取整个 Excel 文件
T = readtable('data.xlsx');
% 示例 2：中文列名
data = readtable('student.xlsx', 'VariableNamingRule', 'preserve');
% 示例 3：读取指定工作表
T = readtable('data.xlsx', 'Sheet', 'Sheet2');

% 示例 4：读取指定范围
T = readtable('data.xlsx', 'Range', 'A1:D100');

% 示例 5：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：

% 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

% 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：

% 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

% 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

% 方法 1：读取后处理
T = readtable('data.xlsx');
T = standardizeMissing(T, {'NA', 'NaN', ''});

% 方法 2：使用 fillmissing 函数
T = readtable('data.xlsx');
T.Var1 = fillmissing(T.Var1, 'constant', 0);

2️⃣ 数据类型转换

% 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

% 方法 1：使用 ImportOptions
opts = detectImportOptions('data.xlsx');
opts.SelectedVariableNames = {'Column1', 'Column3', 'Column5'};
T = readtable('data.xlsx', opts);

📋 如何使用 readtable 读取到的数据

readtable 函数返回的是 MATLAB 的表格（table）数据类型，这种数据类型提供了丰富的数据操作方法。下面详细介绍如何使用读取到的表格数据：

1️⃣ 访问表格数据

基本访问方法

% 假设已读取数据
T = readtable('data.xlsx');

% 方法1：使用点号访问列（列名作为变量名）
% 如果列名是有效的 MATLAB 变量名（如 'Height', 'Weight'）
height_data = T.Height;
weight_data = T.Weight;

% 方法2：使用花括号访问单元格数据
% 返回单元格数组，适合混合数据类型
cell_data = T{:, 'Height'};

% 方法3：使用圆括号访问子表格
% 返回表格类型，保持列名
sub_table = T(:, {'Name', 'Age', 'Height'});

% 方法4：使用索引访问特定元素
% 访问第3行第2列的数据
specific_value = T{3, 2};

% 方法5：使用逻辑索引
% 选择年龄大于30的所有行
adults = T(T.Age > 30, :);

处理中文列名

% 读取时保留中文列名
T = readtable('data.xlsx', 'VariableNamingRule', 'preserve');

% 访问中文列名需要使用字符串索引
% 方法1：使用点号和字符串
math_point = T.("数学");

% 方法2：使用花括号和字符串索引
physics_point = T{:, "物理"};

% 方法3：使用变量名函数
col_names = T.Properties.VariableNames;
disp('所有列名：');
disp(col_names);

% 检查特定列是否存在
if ismember("化学", col_names)
    chemistry_point = T.("化学");
end

2️⃣ 表格基本操作

查看表格信息

% 显示表格基本信息
disp('表格基本信息：');
disp(T);

% 查看表格维度
[num_rows, num_cols] = size(T);
fprintf('表格有 %d 行，%d 列\n', num_rows, num_cols);

% 查看列名
col_names = T.Properties.VariableNames;
disp('列名：');
disp(col_names);

% 查看变量类型
var_types = varfun(@class, T, 'OutputFormat', 'cell');
disp('各列数据类型：');
for i = 1:length(col_names)
    fprintf('%s: %s\n', col_names{i}, var_types{i});
end

% 查看前几行数据
head(T, 5)  % 显示前5行

% 查看后几行数据
tail(T, 3)  % 显示后3行

% 查看摘要统计
summary(T)

添加和删除列

% 添加新列（计算BMI示例）
T.BMI = T.Weight ./ (T.Height/100).^2;

% 添加计算列（带条件）
T.BMI_Category = strings(height(T), 1);
T.BMI_Category(T.BMI < 18.5) = "偏瘦";
T.BMI_Category(T.BMI >= 18.5 & T.BMI < 24) = "正常";
T.BMI_Category(T.BMI >= 24 & T.BMI < 28) = "超重";
T.BMI_Category(T.BMI >= 28) = "肥胖";

% 删除列
T.Weight = [];  % 删除Weight列

% 或者使用removevars函数
T = removevars(T, {'Height', 'BMI'});

% 重命名列
T.Properties.VariableNames{'Age'} = '年龄';
T.Properties.VariableNames{strcmp(T.Properties.VariableNames, 'Name')} = '姓名';

3️⃣ 数据筛选和排序

数据筛选

% 基于条件的筛选
% 筛选年龄大于25且性别为'男'的记录
male_adults = T(T.Age > 25 & strcmp(T.Gender, '男'), :);

% 使用findgroups进行分组筛选
T = readtable('student.xlsx', 'VariableNamingRule', 'preserve',"Sheet","Sheet2")
%根据性别进行分组
[G, groups] = findgroups(T.("性别"));
%计算每组的平均分
group_stats = splitapply(@mean, T.("总分"), G);
disp(groups)
disp(group_stats)

% 筛选特定值
% 选择部门为'销售部'或'市场部'的员工
sales_market = T(ismember(T.Department, {'销售部', '市场部'}), :);

% 使用contains进行模糊匹配
% 选择姓名中包含'张'的员工
zhang_employees = T(contains(T.Name, '张'), :);

数据排序

% 单列排序
% 按年龄升序排序
T_sorted = sortrows(T, 'Age');

% 按年龄降序排序
T_sorted = sortrows(T, 'Age', 'descend');

% 多列排序
% 先按部门排序，部门相同按工资降序排序
T_sorted = sortrows(T, {'Department', 'Salary'}, {'ascend', 'descend'});

% 自定义排序顺序
% 定义部门优先级
dept_order = {'管理部', '技术部', '销售部', '市场部', '财务部'};
[~, dept_idx] = ismember(T.Department, dept_order);
T.DeptOrder = dept_idx;
T_sorted = sortrows(T, 'DeptOrder');
T.DeptOrder = [];  % 删除临时列

6️⃣ 表格数据可视化

基本统计可视化

% 创建图形窗口
figure('Position', [100, 100, 1200, 800]);

% 子图1：箱线图比较不同部门的工资分布
subplot(2, 2, 1);
boxchart(categorical(T.Department), T.Salary);
title('各部门工资分布箱线图');
xlabel('部门');
ylabel('工资');
grid on;

% 子图2：散点图（年龄 vs 工资）
subplot(2, 2, 2);
scatter(T.Age, T.Salary, 50, 'filled');
xlabel('年龄');
ylabel('工资');
title('年龄与工资关系');
grid on;

% 添加颜色表示性别
hold on;
gscatter(T.Age, T.Salary, T.Gender);
hold off;

% 子图3：直方图（工资分布）
subplot(2, 2, 3);
histogram(T.Salary, 20);
xlabel('工资');
ylabel('频数');
title('工资分布直方图');
grid on;

% 子图4：饼图（部门人数比例）
subplot(2, 2, 4);
dept_counts = groupsummary(T, 'Department', 'numel', 'Salary');
pie(dept_counts.numel_Salary, dept_counts.Department);
title('各部门人数比例');

高级可视化

% 热力图：部门-性别平均工资
figure('Position', [100, 100, 800, 600]);
pivot_data = unstack(T(:, {'Department', 'Gender', 'Salary'}), ...
                    'Salary', 'Gender', 'AggregationFunction', @mean);
heatmap_data = table2array(pivot_data(:, 2:end));
heatmap(categorical(pivot_data.Department), {'男', '女'}, heatmap_data);
title('各部门性别平均工资热力图');
colormap('parula');
colorbar;

% 分组条形图
figure('Position', [100, 100, 1000, 600]);
dept_gender_stats = groupsummary(T, {'Department', 'Gender'}, 'mean', 'Salary');
bar_data = unstack(dept_gender_stats(:, {'Department', 'Gender', 'mean_Salary'}), ...
                  'mean_Salary', 'Gender');
bar(table2array(bar_data(:, 2:end)), 'grouped');
set(gca, 'XTickLabel', bar_data.Department);
legend({'男', '女'}, 'Location', 'best');
xlabel('部门');
ylabel('平均工资');
title('各部门男女平均工资对比');
grid on;

7️⃣ 数据导出和保存

导出到不同格式

% 保存为Excel文件
output_file = 'processed_data.xlsx';
writetable(T, output_file, 'Sheet', '处理后的数据');

% 保存为CSV文件
writetable(T, 'data_processed.csv');

% 保存为MAT文件（MATLAB专用，加载速度快）
save('data_table.mat', 'T');

% 保存特定列到新文件
selected_cols = T(:, {'Name', 'Department', 'Salary'});
writetable(selected_cols, 'employee_info.xlsx');

% 添加格式说明
metadata = table({'数据说明：员工信息表'}, {'生成时间：' + string(datetime('now'))}, ...
                {'数据行数：' + string(height(T))}, ...
                'VariableNames', {'说明1', '说明2', '说明3'});
writetable(metadata, output_file, 'Sheet', '说明', 'WriteMode', 'overwritesheet');

8️⃣ 性能优化技巧

% 1. 使用适当的数据类型
% 将字符串转换为分类数据可以节省内存
T.Department = categorical(T.Department);
T.Gender = categorical(T.Gender);

% 2. 避免在循环中频繁访问表格
% 不好的做法：
% for i = 1:height(T)
%     value = T.Value(i);  % 每次访问都开销
% end

% 好的做法：
values = T.Value;  % 一次性提取到数组
for i = 1:length(values)
    value = values(i);  % 访问数组，速度快
end

% 3. 使用向量化操作代替循环
% 计算每行的总分（假设有多个分数列）
score_cols = {'Math', 'Physics', 'Chemistry'};
T.TotalScore = sum(T{:, score_cols}, 2);

📊 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	85	90	88	263
002	李四	92	88	95	275
003	王五	78	85	80	243
004	赵六	95	92	90	277

实现代码

%% 学生成绩分析系统
clear all; clc;

%% 1. 读取 Excel 数据
% 使用 readtable 读取数据，保留中文列名
filename = 'students.xlsx';
students = readtable(filename, 'VariableNamingRule', 'preserve');

% 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)
    % 定义成绩列名
    score_columns = {'数学', '物理', '化学', '总分'};

    for i = 1:length(score_columns)
        col_name = score_columns{i};
        if ismember(col_name, students.Properties.VariableNames)
            students.(col_name) = fillmissing(students.(col_name), 'mean');
        end
    end
end

%% 3. 统计分析
% 计算各科平均分 - 使用字符串访问列名
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, ...
            string(ranked_students.("姓名")(i)), string(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');

📈 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：

   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

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