pandas read_excel()の使い方｜Excelファイル読み込み・sheet_name・usecolsを解説

Pythonでデータ分析を始めると、CSVファイルだけでなく、Excelファイルを読み込みたい場面もよくあります。

たとえば、次のような場面です。

• 会社や学校から配布されたデータが .xlsx 形式になっている
• Excelファイルの中に複数のシートがある
• 必要な列だけ読み込みたい
• 1行目にタイトルや説明文があり、表の見出しがずれている
• 読み込んだあと、日付や数値の型が合っているか確認したい

結論からいうと、Excelファイルをpandasで読み込むには、まず pd.read_excel("ファイル名.xlsx") を使います。

そのうえで、必要に応じて次のように指定します。

やりたいこと	使う指定
複数シートから特定のシートを読み込みたい	sheet_name
必要な列だけ読み込みたい	usecols
見出し行がずれている	header
表の上に説明行がある	skiprows
特定の列をインデックスにしたい	index_col

この記事では、Google Colabで手元のExcelファイルをアップロードして読み込む方法にも軽く触れつつ、練習用のサンプルExcelファイルを作りながら、read_excel() の基本、sheet_name・usecols・header・skiprows の使いどころ、読み込み後に確認すべきポイントまでを初心者向けに整理します。

この記事でわかること

この記事では、次の内容を扱います。

• Google Colabで手元のExcelファイルをアップロードして読み込む基本
• pd.read_excel() でExcelファイルをDataFrameとして読み込む基本
• sheet_name でシートを指定する方法
• usecols で必要な列だけ読み込む方法
• header・skiprows で見出し行や不要な説明行を調整する方法
• read_excel() と read_csv() の違い
• 読み込んだあとに head()・info()・describe() で確認する流れ
• Excel読み込み後に、列名変更・型変換・日付変換・欠損値処理へ進む考え方

Excelファイルを読むこと自体がゴールではありません。
読み込んだ表をDataFrameとして確認し、前処理・抽出・集計・可視化へ進める状態にすることが大切です。

Excelファイルを読み込んだ後の流れ

Excelファイルの読み込みは、データ分析の最初の入口です。
ただし、read_excel() で読み込んで終わりではありません。

読み込んだ表をDataFrameとして確認し、必要に応じて列名・型・日付・欠損値を整えてから、抽出・集計・可視化へ進む流れが大切です。

学習の流れとしては、次のように考えると自然です。

1. Google ColabでPythonを動かす
2. read_excel() でExcelファイルをDataFrameとして読み込む
3. head()・info()・describe() で中身を確認する
4. 必要に応じて列名・型・日付・欠損値を整える
5. 条件抽出・集計・可視化へ進む

CSVファイルを読み込む場合は read_csv()、Excelファイルを読み込む場合は read_excel() を使います。
この記事では、ExcelファイルをDataFrameとして読み込み、分析しやすい形に整える入口までを中心に説明します。

read_excel()とは？

read_excel() は、ExcelファイルをpandasのDataFrameとして読み込むための関数です。

基本形は次のとおりです。

pd.read_excel("ファイル名.xlsx")

シンプルなExcelファイルであれば、まずはこの形で読み込めます。

ただし、実際のExcelファイルでは、次のような調整が必要になることがあります。

困る場面	使う引数	考え方
シートが複数ある	sheet_name	どのシートを読むか指定する
列が多すぎる	usecols	必要な列だけ読む
1行目が見出しではない	header	どの行を列名として使うか指定する
表の上に説明行がある	skiprows	不要な行を読み飛ばす
ID列を行ラベルにしたい	index_col	特定の列をインデックスにする
見出しがない表に列名を付けたい	names	列名を自分で指定する

初心者のうちは、最初からすべての引数を覚える必要はありません。
まずは「何に困っているか」と「どの引数で調整するか」を対応させて理解しましょう。

なお、names は列名を自分で付けたいときに使える引数ですが、初心者のうちはまず header で見出し行を正しく読み込む方法を優先すると理解しやすいです。

Google Colabで自分のExcelファイルを読み込む場合

自分のパソコンにあるExcelファイルをGoogle Colabで読み込みたい場合は、まずファイルをアップロードします。

なお、この章の from google.colab import files は、Google Colabで実行する場合の方法です。ローカルのJupyter Notebookを使っている場合は、ExcelファイルをNotebookと同じフォルダに置いて読み込めば大丈夫です。

※この章は、自分のパソコンにあるExcelファイルをアップロードして読み込む場合の手順です。記事内で作成するサンプルExcelを使う場合は、この章のコードは実行せず、次の「練習用のExcelファイルを用意する」章から実行してください。

次のコードを実行すると、ファイル選択ボタンが表示されます。
読み込みたい .xlsx ファイルを選んでアップロードしてください。

from google.colab import files

uploaded = files.upload()

アップロードできたら、ファイル名を指定して read_excel() で読み込みます。

たとえば、アップロードしたファイル名が sales_sample.xlsx の場合は、次のように書きます。

import pandas as pd

df = pd.read_excel("sales_sample.xlsx")
df.head()

この記事では、読者が同じコードをそのまま試せるように、次の章で練習用のExcelファイルを作成してから読み込みます。
すでに自分のExcelファイルがある場合は、このあとのサンプル作成部分を飛ばして、自分のファイル名に置き換えて進めても大丈夫です。

練習用のExcelファイルを用意する

ここでは、記事内で同じ結果を再現できるように、練習用のExcelファイルを作成します。

このコードは「Excelファイルを用意するための準備」です。
自分のExcelファイルを使う場合は、この章を飛ばして、ファイル名だけ自分のものに置き換えて進めてください。

サンプルは、sheet_name・header・skiprows を説明できる最小限の内容にしています。

なお、Excelファイルの作成や読み込みでは、環境によって openpyxl が必要になることがあります。
Google Colabではそのまま使えることが多いですが、エラーが出た場合は後半の「openpyxlが必要というエラーが出る」を確認してください。

import pandas as pd

# 練習用の売上データ
sales_df = pd.DataFrame({
    "売上日": ["2025-04-01", "2025-04-02", "2025-04-03"],
    "店舗": ["東京店", "大阪店", "東京店"],
    "商品": ["ノートPC", "マウス", "キーボード"],
    "売上金額": [120000, 3000, 8000],
    "数量": [1, 2, 1]
})

# 複数シートの例に使う商品マスタ
master_df = pd.DataFrame({
    "商品": ["ノートPC", "マウス", "キーボード"],
    "カテゴリ": ["PC", "周辺機器", "周辺機器"]
})

file_path = "sales_sample.xlsx"

# 練習用のExcelファイルを作成
with pd.ExcelWriter(file_path, engine="openpyxl") as writer:
    sales_df.to_excel(writer, sheet_name="売上データ", index=False)
    master_df.to_excel(writer, sheet_name="商品マスタ", index=False)

    # 説明行が上にあるExcelを再現するため、3行目から表を書き込む
    sales_df.to_excel(writer, sheet_name="説明行あり", index=False, startrow=2)
    ws = writer.sheets["説明行あり"]
    ws["A1"] = "2025年4月 売上レポート"
    ws["A2"] = "※この行は説明行です。"

file_path

'sales_sample.xlsx'

まずは基本形でExcelファイルを読み込む

一番シンプルな読み込み方は、pd.read_excel() にExcelファイル名を指定する方法です。

次のコードでは、Excelファイルの先頭シートをDataFrameとして読み込みます。

df = pd.read_excel("sales_sample.xlsx")
df

Excelファイルを読み込むと、pandasではDataFrameとして扱えます。
ここで大切なのは、読み込んで終わりにしないことです。

読み込んだ直後は、まず次の3つを確認しましょう。

確認したいこと	使うメソッド	見るポイント
先頭の数行	head()	想定した表になっているか
列名・型・欠損値	info()	日付や数値の型が合っているか
数値列の統計量	describe()	極端な値がないか

Excelでは見た目が整っていても、pandasで読み込むと型や列名が想定と違うことがあります。
そのため、読み込み後の確認はとても重要です。

df.head()

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3 entries, 0 to 2
Data columns (total 5 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   売上日     3 non-null      object
 1   店舗      3 non-null      object
 2   商品      3 non-null      object
 3   売上金額    3 non-null      int64 
 4   数量      3 non-null      int64 
dtypes: int64(2), object(3)
memory usage: 252.0+ bytes

df.describe()

sheet_nameで読み込むシートを指定する

Excelファイルには、複数のシートが入っていることがあります。
この場合は、sheet_name を使って、どのシートを読み込むか指定します。

sheet_name は列名ではなく、Excelの下部に表示される「シート名」を指定するための引数です。

sales = pd.read_excel("sales_sample.xlsx", sheet_name="売上データ")
sales

master = pd.read_excel("sales_sample.xlsx", sheet_name="商品マスタ")
master

シート名ではなく、シート番号で指定することもできます。
ただし、初心者のうちはシート名で指定したほうが、あとから見返したときに意味がわかりやすいです。

pd.read_excel("sales_sample.xlsx", sheet_name=0)

複数シートをまとめて読み込む方法もありますが、この記事では深入りしません。
まずは「必要なシートを1つ選んで読み込む」ことを優先しましょう。

usecolsで必要な列だけ読み込む

Excelファイルには、分析に使わない列がたくさん入っていることがあります。
必要な列だけ読み込みたい場合は、usecols を使います。

たとえば、売上日の列、店舗の列、売上金額の列だけ読み込む場合は次のように書きます。

sales_selected = pd.read_excel(
    "sales_sample.xlsx",
    sheet_name="売上データ",
    usecols=["売上日", "店舗", "売上金額"]
)

sales_selected

usecols は「列を絞る」ための指定です。
行を絞り込むための指定ではありません。

読み込んだあとに「東京店だけを見たい」「売上金額が1万円以上だけを見たい」という場合は、read_excel() ではなく、DataFrameの条件抽出で行います。

headerとskiprowsで見出し行のズレを調整する

Excelファイルでは、1行目にタイトルや説明文があり、実際の表が2行目以降から始まることがあります。

たとえば、次のようなExcelです。

Excel上の行	内容
1行目	2025年4月 売上レポート
2行目	※この行は説明行です。読み込み時には飛ばします。
3行目	売上日、店舗、商品、売上金額、数量
4行目以降	実際のデータ

このようなファイルをそのまま読むと、表の列名が正しく読み込まれないことがあります。
まずは、説明行ありのシートをそのまま確認してみます。

raw = pd.read_excel("sales_sample.xlsx", sheet_name="説明行あり", header=None)
raw.head(7)

上のように、表の前にタイトル行や説明行がある場合は、header または skiprows で調整します。

headerで「列名として使う行」を指定する

header=2 と指定すると、0から数えて3行目を列名として使います。

df_header = pd.read_excel(
    "sales_sample.xlsx",
    sheet_name="説明行あり",
    header=2
)

df_header

skiprowsで「読み飛ばす行」を指定する

同じ例では、先頭の2行を読み飛ばすために skiprows=2 と書くこともできます。

df_skiprows = pd.read_excel(
    "sales_sample.xlsx",
    sheet_name="説明行あり",
    skiprows=2
)

df_skiprows

header と skiprows は似ていますが、考え方が少し違います。

指定	役割	使いやすい場面
header	どの行を列名として使うか指定する	見出し行が何行目かはっきりしている
skiprows	指定した行を読み飛ばす	表の上に説明行やメモがある

初心者のうちは、「見出し行を指定したいなら header」「不要な行を飛ばしたいなら skiprows」と考えると理解しやすいです。

処理前後のイメージは次のとおりです。

状態	列名の見え方	データとして使いやすいか
説明行をそのまま読む	タイトルや説明文が列名・データに混ざる	使いにくい
header=2 または skiprows=2 を指定する	売上日・店舗・商品 などが列名になる	使いやすい

index_colは必要な場合だけ使う

index_col は、特定の列をDataFrameのインデックスとして使うための引数です。

たとえば、売上日をインデックスにしたい場合は次のように書けます。

sales_index = pd.read_excel(
    "sales_sample.xlsx",
    sheet_name="売上データ",
    index_col="売上日"
)

sales_index

ただし、初心者のうちは index_col を無理に使う必要はありません。

普通の列として残しておいたほうが、あとから to_datetime() で日付型に変換したり、条件抽出したりしやすいことも多いです。

状況	おすすめ
まずDataFrameの中身を確認したい	index_col は指定しない
IDや日付を行ラベルとして使いたい理由がある	index_col を検討する
インデックスにして迷った	reset_index() で列に戻す

インデックスにした列を戻したい場合は、reset_index() が使えます。

sales_index.reset_index()

read_excel()とread_csv()の違い

pandasで外部ファイルを読み込む代表的な関数に、read_excel() と read_csv() があります。

どちらもDataFrameを作るための関数ですが、対象ファイルが違います。

比較項目	read_excel()	read_csv()
対象ファイル	Excelファイル	CSVファイル
代表的な拡張子	.xlsx, .xls	.csv
複数シート	扱える	基本的にない
よく使う引数	sheet_name, usecols, header, skiprows	encoding, sep, usecols, header
使う場面	Excelで配布された表を読む	CSVとして保存されたデータを読む

CSVファイルを読み込む場合は、pd.read_csv() を使います。
Excelファイルを読み込む場合は、pd.read_excel() を使います。

ここを混同すると、ファイルがうまく読めない原因になります。

ExcelをCSVに変換してから扱ったほうがよい場合

Excelファイルをpandasで読み込んだあと、毎回同じデータを分析するなら、CSVに変換して保存しておくと扱いやすくなります。

Excelは、複数シート、装飾、結合セル、説明行などを含められるため、人が見る資料としては便利です。
一方で、pandasで分析するデータとしては、1つの表に整理されたCSVのほうがシンプルです。

おすすめの流れは次のとおりです。

1. read_excel() でExcelファイルを読み込む
2. head()・info() で中身を確認する
3. 必要なシート・列・見出し行を整える
4. 分析しやすいDataFrameになったらCSVとして保存する
5. 次回以降は read_csv() で読み込む

判断基準を整理すると、次のようになります。

状況	おすすめ
Excelの中身を初めて確認する	read_excel()
複数シートから必要な表を選びたい	read_excel()
毎回同じ整った表を分析する	CSVに変換して read_csv()
装飾や結合セルが多いExcel	必要な表だけ読み込み、CSV化を検討する
人に配る資料として使う	Excelのまま
pandasで繰り返し分析する	CSVのほうが扱いやすい

ただし、この記事の主役はあくまで read_excel() です。
CSV保存の細かい設定には深入りせず、「読み込んで整えたDataFrameを、必要に応じてCSVに保存できる」と理解しておけば十分です。

df = pd.read_excel("sales_sample.xlsx", sheet_name="売上データ")

# 分析しやすい形になったDataFrameをCSVとして保存する
df.to_csv("sales_sample.csv", index=False)

保存したCSVは、次回以降 read_csv() で読み込めます。
同じ整った表を繰り返し分析する場合は、この形にしておくと扱いやすくなります。

df_csv = pd.read_csv("sales_sample.csv")
df_csv.head()

よくあるミスとエラー対処

Excelファイルの読み込みでは、初心者がつまずきやすいポイントがあります。

read_csv()でExcelファイルを読もうとしてしまう

Excelファイルは、基本的に read_csv() では読み込みません。

pd.read_csv("sales_sample.xlsx")

このように書くと、Excelファイルの形式とCSVの形式が違うため、うまく読み込めません。
Excelファイルには read_excel() を使いましょう。

sheet_nameを列名だと思ってしまう

sheet_name は、Excelのシート名を指定するための引数です。
読み込む列を指定したい場合は、usecols を使います。

usecolsで行を絞ろうとしてしまう

usecols は列を絞るための引数です。
行を絞りたい場合は、読み込んだあとに条件抽出を使います。

openpyxlが必要というエラーが出る

環境によっては、Excelファイルを読み込むときに openpyxl が必要になることがあります。
Google Colabでは使えることが多いですが、エラーが出る場合は次のようにインストールします。

# openpyxlが必要というエラーが出る場合のみ実行します
# Google Colabでは、すでに使える場合もあります

# !pip install openpyxl

このエラーは、pandasのコードの書き方が間違っているというより、Excelを読み込むためのエンジンが環境に不足している場合に起きます。

読み込んだ後は前処理につなげる

read_excel() は、ExcelファイルをDataFrameにする入口です。
読み込んだあとは、データ分析しやすい形になっているかを確認します。

たとえば、次のような流れです。

確認・前処理	使うメソッド	目的
先頭を確認	head()	読み込み結果を見る
型・欠損値を確認	info()	日付・数値・欠損を確認する
列名を整える	rename()	日本語列名や長い列名を扱いやすくする
日付型に変換	to_datetime()	日付として扱えるようにする
数値・文字列に変換	astype()	分析に合う型にする
欠損値を確認・処理	isnull()・fillna()	空欄を把握して補う

次の例では、Excelから読み込んだ売上データの列名を少し短くし、売上日を日付型に変換します。

sales_clean = pd.read_excel("sales_sample.xlsx", sheet_name="売上データ")

# 列名を扱いやすくする
sales_clean = sales_clean.rename(columns={
    "売上金額": "金額"
})

# 売上日を日付型に変換する
sales_clean["売上日"] = pd.to_datetime(sales_clean["売上日"])

sales_clean.head()

sales_clean.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3 entries, 0 to 2
Data columns (total 5 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   売上日     3 non-null      datetime64[ns]
 1   店舗      3 non-null      object        
 2   商品      3 non-null      object        
 3   金額      3 non-null      int64         
 4   数量      3 non-null      int64         
dtypes: datetime64[ns](1), int64(2), object(2)
memory usage: 252.0+ bytes

このように、Excelファイルを読み込んだら、次はDataFrameの確認と前処理に進みます。

read_excel() の役割は、ExcelをDataFrameに変えることです。
そのあとの列名変更、型変換、日付変換、欠損値処理は、それぞれ別の前処理として考えると整理しやすくなります。

read_excel()で押さえるポイントを整理する

ここまでで、ExcelファイルをDataFrameとして読み込む基本を確認しました。

read_excel() では、まず基本形で読み込み、必要に応じて引数を追加していくと迷いにくくなります。

目的	使うもの
Excelファイルを読み込む	pd.read_excel()
シートを指定する	sheet_name
必要な列だけ読む	usecols
見出し行を調整する	header
不要な説明行を飛ばす	skiprows
行ラベルにする列を指定する	index_col
列名を自分で付ける	names

最初からすべての引数を覚える必要はありません。
まずは pd.read_excel("ファイル名.xlsx") で読み込み、head() と info() で確認し、必要なところだけ調整していきましょう。

読み込んだ後は、列名変更・型変換・日付変換・欠損値処理などの前処理を行い、条件抽出・集計・可視化へ進みます。

まとめ

この記事では、pandasの read_excel() を使ってExcelファイルを読み込む方法を解説しました。

重要なポイントを整理します。

• Excelファイルを読み込むには pd.read_excel("ファイル名.xlsx") を使う
• 複数シートから読み込む場合は sheet_name を使う
• 必要な列だけ読み込む場合は usecols を使う
• 見出し行がずれている場合は header を使う
• 表の上に説明行がある場合は skiprows を使う
• index_col は必要な場合だけ使う
• CSVファイルは read_csv()、Excelファイルは read_excel() と使い分ける
• 読み込んだあとは head()・info()・describe() で確認する
• その後、列名変更・型変換・日付変換・欠損値処理へ進む
• 毎回同じ整った表を分析するなら、必要に応じてCSVに保存しておくと、次回以降は read_csv() で扱いやすい

まずは、シンプルなExcelファイルを read_excel() で読み込み、head() と info() で確認するところから始めるのがおすすめです。

次に読みたい関連記事

Excelファイルを読み込んだあとは、DataFrameの確認や前処理へ進むと理解が深まります。

• Google Colab CSV 読み込み＆保存入門
  CSVファイルの読み込みやGoogle Drive連携を確認したい場合におすすめです。

• Pandas DataFrame入門
  読み込んだ表がDataFrameとしてどう扱われるかを理解したい場合に役立ちます。

• Pandas head()の使い方
  読み込んだデータの先頭を確認する基本操作を学べます。

• Pandas info()とdescribe()の違い
  型・欠損値・統計量の確認方法を整理できます。

• pandas rename()の使い方
  Excelから読み込んだ列名を整えたいときに役立ちます。

• pandas astype()の使い方
  数値や文字列の型を整えたいときに使います。

• pandas to_datetime()の使い方
  Excelの日付列を日付型として扱いたいときにおすすめです。

• pandas fillna()の使い方
  Excelの空欄や欠損値を処理したいときに役立ちます。

• pandas reset_index()の使い方
  index_col で指定した列を戻したいときに参考になります。

• Pandas concat完全ガイド
  複数のファイルや複数のDataFrameを結合したい場合に役立ちます。

▲ ページトップへ戻る