python+excel自动化办公

欲游山河十万里2024-10-12 6:00

前言

一、python对excel的基础使用操作

[1.1 读取excel文件](#1.1 读取excel文件)

[1.2 写入学生数据信息](#1.2 写入学生数据信息)

二、自动生成录取通知书

2.1生成十万条假数据

2.2制作录取通知书

三、员工工资信息管理操作

[3.1 制作员工的工资信息](#3.1 制作员工的工资信息)

[3.2 员工信息管理gui](#3.2 员工信息管理gui)

四、自动化财务数据分析预测

4.1制作数据

参考文献

前言

python自动化办公将主要研究如何通过python代码读取excel文件的形式实现在实际生活中应用，本文属于分享博文，涉及深度比较浅。

首先安装包

复制代码 
pip install pandas -i https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

一、python对excel的基础使用操作

1.1 读取excel文件

python 复制代码 
import pandas as pd
# 读取 Excel 文件中的第一个工作表
df = pd.read_excel('一万条学生成绩数据.xlsx')
# 显示前几行数据
print(df.head())

1.2 写入学生数据信息

python 复制代码 
import pandas as pd
# Step 1: 读取 Excel 文件
# 假设有一个文件 'example.xlsx'，我们读取它
df = pd.read_excel('一万条学生成绩数据.xlsx')
# 打印原始数据以供参考
print("Original Data:")
print(df)
# Step 2: 添加一行新数据
# 创建一个新行，列名需要与现有的列名保持一致
new_row = {'Column1': 'New Data 1', 'Column2': 'New Data 2', 'Column3': 'New Data 3'}
# 将新行转换为 DataFrame 格式
new_row_df = pd.DataFrame([new_row])
# 使用 pd.concat 方法将新行添加到原始数据框中
df = pd.concat([df, new_row_df], ignore_index=True)
# 打印添加新行后的数据
print("\nData After Adding New Row:")
print(df)

# Step 3: 将包含新行的数据写入到新的 Excel 文件中
# 将数据框写入新的 Excel 文件
df.to_excel('example_with_new_row.xlsx', index=False)

print("\nNew Excel file 'example_with_new_row.xlsx' saved with the new row.")

二、自动生成录取通知书

2.1生成十万条假数据

python 复制代码 
import random
import pandas as pd
from faker import Faker
# 初始化 Faker
fake = Faker('zh_CN')  # 使用中文
# 定义一些大学和专业
universities = [
    '清华大学', '北京大学', '浙江大学', '复旦大学', '上海交通大学',
    '中国科学技术大学', '南京大学', '武汉大学', '华中科技大学', '中山大学'
]
majors = [
    '计算机科学与技术', '电子信息工程', '机械工程', '金融学', '临床医学',
    '法学', '建筑学', '化学工程与工艺', '生物工程', '国际经济与贸易'
]
# 生成成绩的函数
def generate_score(min_score=50, max_score=100):
    return random.randint(min_score, max_score)

# 生成祝愿语的函数
def generate_wish_message(university, principal_name):
    return f"祝贺您被 {university} 录取，愿您在校长 {principal_name} 的带领下，在大学的学习和生活中一帆风顺，前程似锦！"
# 生成假数据
def generate_data(num_records):
    data = []
    for i in range(num_records):
        student_name = fake.name()  # 生成中文姓名
        exam_id = f"EX{i+1:06d}"  # 考号，格式化为 6 位数，如 EX000001
        chinese_score = generate_score()
        math_score = generate_score()
        english_score = generate_score()
        science_score = generate_score()
        # 总分 = 语文 + 数学 + 英语 + 科学
        total_score = chinese_score + math_score + english_score + science_score
        # 随机选择一个大学和专业
        university = random.choice(universities)
        major = random.choice(majors)
        # 生成校长姓名
        principal_name = fake.name()
        # 生成祝愿语
        wish_message = generate_wish_message(university, principal_name)
        data.append({
            '姓名': student_name,
            '考号': exam_id,
            '语文成绩': chinese_score,
            '数学成绩': math_score,
            '英语成绩': english_score,
            '科学成绩': science_score,
            '总分': total_score,
            '录取大学': university,
            '录取专业': major,
            '校长姓名': principal_name,
            '祝愿语': wish_message
        })
    return data
# 生成 10 万条数据
num_records = 100000
data = generate_data(num_records)
# 转换为 DataFrame
df = pd.DataFrame(data)
# 写入 Excel 文件
df.to_excel('十万条学生成绩数据_带录取信息.xlsx', index=False)
print(f"已成功生成 {num_records} 条学生成绩数据（包含录取信息和祝愿语），并写入到 Excel 文件中。")

2.2制作录取通知书

安装包

python 复制代码 
pip install pandas python-docx -i https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple
python 复制代码 
import pandas as pd
from docx import Document
from docx.shared import Pt
from docx.enum.text import WD_ALIGN_PARAGRAPH
# 读取Excel文件
df = pd.read_excel('十万条学生成绩数据_带录取信息.xlsx')
# 创建一个Word文档对象
doc = Document()
# 设置录取通知书模板
def create_admission_letter(doc, name, exam_id, university, major, principal, wish_message):
    # 添加标题
    title = doc.add_heading(f'{university} 录取通知书', level=1)
    title.alignment = WD_ALIGN_PARAGRAPH.CENTER
    # 添加学生姓名和考号
    doc.add_paragraph(f"尊敬的 {name} 同学：")
    doc.add_paragraph(f"考号：{exam_id}")

    # 添加录取信息
    doc.add_paragraph(f"恭喜您被 {university} {major} 专业录取！")

    # 添加校长祝福语
    doc.add_paragraph(f"校长：{principal}")
    doc.add_paragraph(wish_message)

    # 添加分隔符，每个录取通知书一页
    doc.add_page_break()


# 遍历每位学生的记录，生成录取通知书
for idx, row in df.iterrows():
    create_admission_letter(
        doc,
        row['姓名'],
        row['考号'],
        row['录取大学'],
        row['录取专业'],
        row['校长姓名'],
        row['祝愿语']
    )
# 保存Word文档
doc.save('录取通知书合集.docx')
print("所有学生的录取通知书已生成！")

三、员工工资信息管理操作

3.1 制作员工的工资信息

python 复制代码 
import random
import pandas as pd
from faker import Faker
# 初始化 Faker
fake = Faker('zh_CN')  # 使用中文
# 定义假数据生成函数
def generate_salary_data(num_employees, year):
    data = []
    months = [f"{year}-{str(month).zfill(2)}" for month in range(1, 13)]  # 生成每个月份，如 2024-01, 2024-02
    employee_ids = [f"EMP{str(i).zfill(4)}" for i in range(1, num_employees + 1)]  # 工号，如 EMP0001, EMP0002
    for employee_id in employee_ids:
        employee_name = fake.name()  # 生成中文姓名
        for month in months:
            salary = random.randint(5000, 15000)  # 假设工资在 5000 到 15000 之间
            bonus = random.randint(1000, 5000)  # 假设绩效在 1000 到 5000 之间
            total_payment = salary + bonus  # 实际发放为工资加绩效

            data.append({
                '姓名': employee_name,
                '工号': employee_id,
                '月份': month,
                '工资': salary,
                '绩效': bonus,
                '实际发放': total_payment
            })
    return data
# 生成 100 名员工的 2024 年工资信息
num_employees = 100
year = 2024
salary_data = generate_salary_data(num_employees, year)
# 转换为 DataFrame
df = pd.DataFrame(salary_data)
# 写入 Excel 文件
df.to_excel('员工2024年工资信息.xlsx', index=False)
print(f"已成功生成 {num_employees * 12} 条员工工资信息，并写入到 Excel 文件中。")

3.2 员工信息管理gui

python 复制代码 
import pandas as pd
import tkinter as tk
from tkinter import ttk
from tkinter import messagebox
import matplotlib.pyplot as plt
import matplotlib
matplotlib.use('TkAgg')          # 设置后端为交互式的 TkAgg
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False    # 解决负号 '-' 显示为方块的问题

# 读取 Excel 数据
file_path = '员工2024年工资信息.xlsx'
df = pd.read_excel(file_path)

# 创建主窗口
root = tk.Tk()
root.title("员工工资信息系统")

# 创建标签和输入框
label1 = tk.Label(root, text="查看所有员工信息:")
label1.pack()

# 创建表格以显示员工信息
tree = ttk.Treeview(root, columns=("姓名", "工号", "月份", "工资", "绩效", "实际发放"), show='headings')
tree.heading("姓名", text="姓名")
tree.heading("工号", text="工号")
tree.heading("月份", text="月份")
tree.heading("工资", text="工资")
tree.heading("绩效", text="绩效")
tree.heading("实际发放", text="实际发放")
tree.pack(fill=tk.BOTH, expand=True)

# 插入所有员工信息
for index, row in df.iterrows():
    tree.insert("", tk.END, values=list(row))

# 月份查询
def query_by_month():
    month = month_entry.get()
    if month:
        filtered_df = df[df['月份'] == month]
        if not filtered_df.empty:
            for item in tree.get_children():
                tree.delete(item)
            for index, row in filtered_df.iterrows():
                tree.insert("", tk.END, values=list(row))
        else:
            messagebox.showinfo("信息", "没有找到该月份的记录。")
    else:
        messagebox.showwarning("警告", "请输入月份。")

# 按员工姓名查询
def query_by_name():
    name = name_entry.get()
    if name:
        filtered_df = df[df['姓名'] == name]
        if not filtered_df.empty:
            for item in tree.get_children():
                tree.delete(item)
            for index, row in filtered_df.iterrows():
                tree.insert("", tk.END, values=list(row))
        else:
            messagebox.showinfo("信息", "没有找到该员工的记录。")
    else:
        messagebox.showwarning("警告", "请输入员工姓名。")

# 绘制图表
def draw_chart():
    name = name_entry.get()
    chart_type = chart_type_var.get()  # 获取选择的图表类型
    if name:
        filtered_df = df[df['姓名'] == name]
        if not filtered_df.empty:
            if chart_type == "折线图":
                plt.figure(figsize=(10, 5))
                plt.plot(filtered_df['月份'], filtered_df['实际发放'], marker='o', label='实际发放')
                plt.title(f"{name} 的工资信息")
                plt.xlabel("月份")
                plt.ylabel("实际发放")
                plt.xticks(rotation=45)
                plt.grid()
                plt.legend()
                plt.show()

            elif chart_type == "柱状图":
                plt.figure(figsize=(10, 5))
                plt.bar(filtered_df['月份'], filtered_df['实际发放'], color='skyblue', label='实际发放')
                plt.title(f"{name} 的工资信息")
                plt.xlabel("月份")
                plt.ylabel("实际发放")
                plt.xticks(rotation=45)
                plt.grid()
                plt.legend()
                plt.show()

            elif chart_type == "饼状图":
                plt.figure(figsize=(8, 8))
                plt.pie(filtered_df['实际发放'], labels=filtered_df['月份'], autopct='%1.1f%%')
                plt.title(f"{name} 的工资信息")
                plt.show()
        else:
            messagebox.showinfo("信息", "没有找到该员工的记录。")
    else:
        messagebox.showwarning("警告", "请输入员工姓名。")

# 月份查询输入框
month_label = tk.Label(root, text="输入月份（格式: 2024-01）：")
month_label.pack()
month_entry = tk.Entry(root)
month_entry.pack()

month_button = tk.Button(root, text="查询该月份工资信息", command=query_by_month)
month_button.pack()

# 姓名查询输入框
name_label = tk.Label(root, text="输入员工姓名：")
name_label.pack()
name_entry = tk.Entry(root)
name_entry.pack()

name_button = tk.Button(root, text="查询该员工工资信息", command=query_by_name)
name_button.pack()

# 选择图表类型
chart_type_var = tk.StringVar()
chart_type_label = tk.Label(root, text="选择图表类型：")
chart_type_label.pack()
chart_type_dropdown = ttk.Combobox(root, textvariable=chart_type_var)
chart_type_dropdown['values'] = ("折线图", "柱状图", "饼状图")
chart_type_dropdown.current(0)  # 设置默认值
chart_type_dropdown.pack()

chart_button = tk.Button(root, text="绘制图表", command=draw_chart)
chart_button.pack()

# 启动主循环
root.mainloop()

四、自动化财务数据分析预测

自动化数据分析可以帮助公司了解业务趋势、优化成本和做出数据驱动的决策： BI工具：如 Power BI、Tableau 可与会计系统集成，生成可视化的财务分析报告。 Python数据分析：使用 pandas 结合 matplotlib、seaborn 对财务数据进行分析，发现趋势和异常。 机器学习预测：通过历史数据，使用机器学习模型进行财务预测和成本估算。 案例： 某企业使用 Power BI 将财务数据可视化，每月自动生成分析报告，管理层可以实时了解成本和利润情况，帮助制定预算。这个我们可以进一步探讨一下。

4.1制作数据

假数据应包含的字段

  1. 员工信息

    • 姓名：员工的名字

    • 工号：唯一标识员工的工号

    • 部门：员工所在的部门（例如：销售部、技术部等）

    • 职位：员工的职位（例如：经理、助理等）

    • 工资调整记录：员工工资调整的历史记录，包括调薪日期和调整幅度

  2. 工资信息

    • 年份：2024年

    • 月份：1到12

    • 基本工资：员工的基本工资

    • 绩效工资：基于员工表现的绩效工资

    • 实际发放工资：基本工资和绩效工资的总和

  3. 财务指标

    • 公司收入：当月公司总收入

    • 公司支出：当月公司总支出

    • 利润：公司收入减去支出

    • 成本：公司运营的成本

代码如下:

python 复制代码 
import pandas as pd
import random
from datetime import datetime, timedelta

# 设置随机种子以便于重现
random.seed(42)

# 员工数量和基本工资范围
num_employees = 100
base_salary_range = (3000, 10000)  # 基本工资范围

# 创建员工信息
names = [f'员工{i}' for i in range(1, num_employees + 1)]
employee_ids = [f'E{str(i).zfill(3)}' for i in range(1, num_employees + 1)]
departments = ['销售部', '技术部', '人事部', '财务部', '市场部']
positions = ['经理', '助理', '专员', '主管', '总监']

# 生成工资信息
data = []
for employee_id, name in zip(employee_ids, names):
    for month in range(1, 13):
        # 随机生成基本工资和绩效工资
        basic_salary = random.randint(*base_salary_range)
        performance_bonus = random.randint(0, 2000)  # 绩效工资范围
        actual_salary = basic_salary + performance_bonus

        # 财务指标
        company_income = random.randint(50000, 200000)  # 公司收入范围
        company_expense = random.randint(30000, 150000)  # 公司支出范围
        profit = company_income - company_expense
        cost = random.randint(10000, 50000)  # 成本范围

        # 随机生成部门和职位
        department = random.choice(departments)
        position = random.choice(positions)

        # 添加调薪记录
        if month == 6:  # 假设在6月进行调薪
            adjustment_date = datetime(2024, 6, 15).date()
            adjustment_amount = random.randint(500, 2000)  # 调薪幅度
            adjustment_record = f"调薪日期: {adjustment_date}, 调整幅度: {adjustment_amount}"
        else:
            adjustment_record = None

        # 收集数据
        data.append({
            '姓名': name,
            '工号': employee_id,
            '年份': 2024,
            '月份': month,
            '基本工资': basic_salary,
            '绩效工资': performance_bonus,
            '实际发放工资': actual_salary,
            '公司收入': company_income,
            '公司支出': company_expense,
            '利润': profit,
            '成本': cost,
            '部门': department,
            '职位': position,
            '工资调整记录': adjustment_record
        })

# 创建 DataFrame
df = pd.DataFrame(data)

# 将数据写入 Excel 文件
df.to_excel('2024年员工工资和财务指标数据.xlsx', index=False)

print("假数据生成完成，已保存到 '2024年员工工资和财务指标数据.xlsx'。")

为了从会计的角度进行财务数据分析，包括生成每月的财务报表和风险预测，我们可以遵循以下步骤：

  1. 数据准备与清洗

确保数据质量是财务分析的第一步。通过以下步骤准备和清洗数据：

  • 检查缺失值和异常值：识别并处理缺失值或极端值。

  • 格式化日期：确保日期字段的格式一致，方便进行时间序列分析。

  1. 生成每月财务报表

每月财务报表通常包括收入、支出、利润等关键指标。以下是生成财务报表的步骤：

  • 按月份聚合数据 ：使用 pandas 对数据进行聚合，计算每月的总收入、总支出和总利润。

  • 创建财务报表：将聚合结果存储到新的 DataFrame 或 Excel 文件中。

以下是示例代码：

python 复制代码 
import pandas as pd

# 读取生成的数据
df = pd.read_excel('2024年员工工资和财务指标数据.xlsx')

# 按月份聚合数据
monthly_report = df.groupby(['年份', '月份']).agg(
    总收入=('公司收入', 'sum'),
    总支出=('公司支出', 'sum'),
    总利润=('利润', 'sum'),
    总成本=('成本', 'sum')
).reset_index()

# 将财务报表保存到 Excel
monthly_report.to_excel('2024年每月财务报表.xlsx', index=False)

print("每月财务报表生成完成，已保存到 '2024年每月财务报表.xlsx'。")
  1. 财务指标分析

根据生成的每月财务报表，可以进行以下分析：

  • 收入与支出趋势分析：绘制时间序列图，观察收入和支出的变化趋势。

  • 利润分析：计算每月的利润率（利润/收入），并绘制利润率变化趋势图。

以下是示例代码，展示如何进行趋势分析：

python 复制代码 
import matplotlib.pyplot as plt

# 绘制收入、支出和利润的趋势图
plt.figure(figsize=(12, 6))
plt.plot(monthly_report['月份'], monthly_report['总收入'], label='总收入', marker='o')
plt.plot(monthly_report['月份'], monthly_report['总支出'], label='总支出', marker='o')
plt.plot(monthly_report['月份'], monthly_report['总利润'], label='总利润', marker='o')
plt.title('2024年每月财务指标趋势')
plt.xlabel('月份')
plt.ylabel('金额')
plt.xticks(monthly_report['月份'])
plt.legend()
plt.grid()
plt.savefig('2024年每月财务指标趋势.png')  # 保存图像
plt.show()
  1. 风险预测分析

风险预测可以通过多种方式进行，以下是一些常用方法：

  • 时间序列分析：使用时间序列模型（如 ARIMA）预测未来的收入和支出。

  • 机器学习模型：使用历史数据构建模型，预测未来的财务指标，识别潜在的风险。

以下是使用 statsmodels 库进行简单时间序列预测的示例代码：

python 复制代码 
from statsmodels.tsa.arima.model import ARIMA

# 设置月份为索引
monthly_report.set_index(['年份', '月份'], inplace=True)

# 使用 ARIMA 模型预测下一月的收入
model = ARIMA(monthly_report['总收入'], order=(1, 1, 1))
model_fit = model.fit()
forecast = model_fit.forecast(steps=1)  # 预测下一个月的收入

print(f"预计下个月的总收入为：{forecast[0]:.2f}")

总体代码展示

python 复制代码 
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib
from statsmodels.tsa.arima.model import ARIMA

matplotlib.use('TkAgg')  # 设置后端为交互式的 TkAgg
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 解决负号 '-' 显示为方块的问题

# 读取生成的数据
df = pd.read_excel('2024年员工工资和财务指标数据.xlsx')

# 按月份聚合数据
monthly_report = df.groupby(['年份', '月份']).agg(
    总收入=('公司收入', 'sum'),
    总支出=('公司支出', 'sum'),
    总利润=('利润', 'sum'),
    总成本=('成本', 'sum')
).reset_index()

# 将财务报表保存到 Excel
monthly_report.to_excel('2024年每月财务报表.xlsx', index=False)

print("每月财务报表生成完成，已保存到 '2024年每月财务报表.xlsx'。")

# 绘制收入、支出和利润的趋势图
plt.figure(figsize=(12, 6))
plt.plot(monthly_report['月份'], monthly_report['总收入'], label='总收入', marker='o')
plt.plot(monthly_report['月份'], monthly_report['总支出'], label='总支出', marker='o')
plt.plot(monthly_report['月份'], monthly_report['总利润'], label='总利润', marker='o')
plt.title('2024年每月财务指标趋势')
plt.xlabel('月份')
plt.ylabel('金额')
plt.xticks(monthly_report['月份'])
plt.legend()
plt.grid()
plt.savefig('2024年每月财务指标趋势.png')  # 保存图像
plt.show()

# 设置月份为索引
monthly_report.set_index(['年份', '月份'], inplace=True)

# 使用 ARIMA 模型预测下一月的收入
model = ARIMA(monthly_report['总收入'], order=(1, 1, 1))
model_fit = model.fit()

# 预测下一个月的收入
forecast = model_fit.forecast(steps=1)

# 输出预测结果
if isinstance(forecast, pd.Series):
    print(f"预计下个月的总收入为：{forecast.values[0]:.2f}")  # 访问预测值
else:
    print(f"预计下个月的总收入为：{forecast[0]:.2f}")  # 对于其他类型

参考文献

相关推荐
乘云数字DATABUFF2 天前
5分钟部署开源APM Databuff：OpenTelemetry全链路追踪入门实战
运维·后端
荣--4 天前
一键部署不是为了省时间 —— 它是把"买来的 PaaS"变成"自己的平台"的拐点
运维·zabbix·工程化·一键部署·平台化·边界设计
江华森4 天前
动手实战学 Docker — 从零到集群编排完全指南
运维
Avan_菜菜5 天前
FRP 内网穿透完整实战：从 HTTP 映射到 HTTPS 自签代理
运维·nginx·https
SelectDB6 天前
Litefuse 开源并推出单进程轻量模式，25 秒就能跑起来的 Agent 可观测与评估平台
运维·后端·自动化运维
XIAOHEZIcode7 天前
Linux系统鼠标偏移常见原因以及修复方案
linux·运维·游戏
用户0328472220708 天前
如何搭建本地yum源(上)
运维
大树8811 天前
金刚石散热越强，管路越先见顶
大数据·运维·服务器·人工智能·ai
摇滚侠11 天前
Linux CentOS7 rpm 安装 MySQL 5.7
linux·运维·mysql
霸道流氓气质11 天前
领域驱动设计（DDD）在 Spring Boot 微服务中的实践指南
运维·spring boot·微服务
热门推荐
012026年6月AI大模型全景报告：GPT-5.6、Claude Opus 4.8、Gemini 3.5，中美AI三足鼎立谁主沉浮？022026年6月AI行业全景：从百模大战到Agent元年，这30天发生了什么？03飞书长连接_事件订阅（接收消息，审批任务状态变更）04Trae国际版与国内版深度测评：AI原生IDE的双生花052026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf06GitHub 镜像站点07【AI】2026 年具身智能模型和世界模型总结08Claude Code、Codex、Cursor三分天下：2026年AI编程Agent生态全景剖析092026年AI架构实战：彻底解决OpenAI接口超时与封号，Python调用GPT-5.2/Sora2企业级架构详解（附源码+压测报告）10【AI总结】2026年6月 主流国内外大模型总结