關於400W+CSV資料要拆成多個Excel檔案的問題，應該先考慮的是為什麼要拆分？是因為Excel工作表只支援100萬+的資料行，所以拆分？還是因為其他原因？

對於前者的情況比較常見，但是，實際上，現在用Excel來處理400w+行的資料，已經完全沒有問題了，因為Excel2016的新功能Power Query（Excel2010或Excel2013可到微軟官方下載相應的外掛）對資料的處理原則上並沒有限制，請參考高手對1億行資料的處理（因為Power Query支援各種資料來源，CSV也完全可以輕鬆解決）：

Excel 一億行資料分析實踐（總結篇）高飛 PowerBI極客測試目的

本次測試目的並非與其他資料分析方法對比優劣、而是嘗試介紹一種完全基於EXCEL的本地化大資料集處理方式。

分析人員常用的大資料處理方式

本次演示的方式

這種方式的優點

降低成本。減少工具間的切換成本，直接使用Excel作為儲存和分析工具。

展現靈活。展現端繼續使用Excel，發揮它靈活、自定義程度高的優勢。

便於交付。其他方式得到的結果為了便於交付，還要匯出為Excel，而現在整個分析流都在Excel內部完成。

結果可互動。PowerPivot相當於一個儲存了源資料的OLAP引擎，透過控制切片器等外部篩選條件，可以迅速、動態的檢視結果，使用其他方法，可能需要返回分析端改變計算條件重新匯出。

測試專案一：資料匯入和耗時

向Excel匯入大資料，有兩種方式：

PowerPivot匯入，直接匯入，不支援資料轉換和清洗操作。

PowerQuery匯入，在匯入前可以對資料做預處理。

本次使用的測試資料集共有19列，有多列需要進行格式轉換和日期提取操作，使用第一種方式，需要匯入後在PowerPivot內部進行，使用方式二可以在載入前完成，很明顯的是，對於方式二，預處理步驟越多，載入時間會越長。

下圖展示了不同量級不同匯入方式的耗時情況（單位：秒）

為了直接對比PowerQuery和PowerPivot的載入效率，增加了一個*號方式，這種方式不對資料做任何清洗轉換，直接載入到模型，與PowerPivot步驟相同。

現象

對比前兩行結果，PowerQuery的資料匯入效率與PowerPivot不分伯仲。

PowerQuery沒有資料量的限制，而PowerPivot不到匯入超過2G的檔案。

清洗步驟和資料量的增多，都會顯著增加PowerQuery的匯入時間，比如一億行資料，即使三個簡單的清洗步驟，用時已經超過了30分鐘

結論

PowerPivot匯入方式使用的是Access聯結器，受限於Access檔案本身的限制，不能匯入超過2G的資料，這也說明，PowerPivot資料儲存能力超過了Access。

PowerQuery是輕型ETL工具，處理大資料集效能不強（基於Excel版本的 PQ）。

如果嘗試使用Buffer函式快取資料，會發現這個快取過程非常漫長，實際上，Buffer函式並不適合快取大資料集，因為無法壓縮資料，記憶體可能會很快爆掉。

該測試還有包括資料的壓縮比、計算能力等等，希望詳細瞭解的可以參考我相關回答內容。

以上是關於接入400+萬CSV的資料的方法，首選考慮Power Query。如果您是因為其他的原因需要對CSV進行拆分，應該進一步根據您的實際情況來考慮具體方法，而不要首先侷限於用Access來做中間橋樑的方法。

最後，再來說說Access的問題，Access資料庫不支援超過2G的資料，因此，400+萬的資料，你先要看一下是否超過2G，如果超過了，就基本不用考慮了。

Power Query從入門到實戰80篇

Power Pivot基礎及Dax入門15篇

讓我們一起學習，共同進步！

python

import pandas as pd

df = pd.read_csv("ur csv file path")

size = 10000#modify it to the size u want

num = int(df.shape[0]/size)

for i in range(0, num)

df.iloc[size*i:size*(i+1), :].to_excel("data"+str(i)+".xls")

df.iloc[size*num:, :].to_excel("data"+str(num)+".xls")