50个Python处理Excel示例代码，覆盖95%日常使用场景-全网最全

大虫小呓2025-07-11 10:53

前言

上篇文章主讲的是在不同场景下如何选择合适的Python工具来处理Excel文件，起因是女友单位的OA系统导出来的Excel格式太拉，她跟OA的技术人员磨了半天嘴皮子也没给她解决。她回来一肚子气自然的就撒到了我头上[坚强的微笑]，我用Python几分钟就帮她解决。于是决定写一些Python相关的内容。

为了彻底解决这个问题，不吃这种二手气，必须让她快速掌握Python来处理Excel文档，想着找些例子让她练练手，网上找了一圈硬是没找到足够全面合适的，于是花了一整天整理了50个Python处理Excel的示例。每个示例都写了详细注释，并逐一运行确保无误，且附带了运行效果图。

准备工作

首先，请确保你的Python版本是3系列的（我的版本是3.12.7，Python的安装这里就不赘述了）。确保已安装了必要的库：

bash 复制代码 
# 或者用 pip3 install pandas openpyxl xlsxwriter xlrd xlwt xlwings tablib numpy
pip install pandas openpyxl xlsxwriter xlrd xlwt xlwings tablib numpy

然后，创建一个demo.py文件，把下面的示例代码复制粘贴进去运行即可。

bash 复制代码 
# 或者用 python3 demo.py 
python demo.py

功能分类

  • 基础操作 (1-10): 读写、格式处理、大文件处理
  • 样式美化 (11-20): 字体、颜色、边框、保护等
  • 数据分析 (21-35): 筛选、排序、分组、透视表等
  • 图表可视化 (36-42): 各类图表创建和自定义
  • 高级功能 (43-50): 批处理、验证、公式、性能优化

这50个示例涵盖了Python处理Excel的各种常见场景。

基础操作 (1-10)

1. 创建并写入新的Excel文件

使用 openpyxl 创建一个全新的Excel工作簿，并向默认工作表中写入数据。

python 复制代码 
import openpyxl

# 创建一个新的工作簿
wb = openpyxl.Workbook()

# 获取活动的工作表
sheet = wb.active
sheet.title = "基础信息"

# 写入数据到单元格
sheet['A1'] = '姓名'
sheet['B1'] = '年龄'
sheet.cell(row=2, column=1, value='小虫')
sheet.cell(row=2, column=2, value=25)

# 保存Excel文件
wb.save("openpyxl_new.xlsx")

print("文件 'openpyxl_new.xlsx' 创建成功。")

创建并写入新的Excel文件-效果图

2. 读取现有Excel文件的数据

使用 openpyxl 打开一个已存在的Excel文件，并读取指定单元格的数据。

python 复制代码 
import openpyxl

# 准备一个用于读取的Excel文件
# (您可以先运行上一个示例来创建此文件)
try:
    # 加载已存在的工作簿
    wb = openpyxl.load_workbook("openpyxl_new.xlsx")

    # 选择要操作的工作表
    sheet = wb["基础信息"]

    # 读取单元格数据
    name = sheet['A2'].value
    age = sheet['B2'].value

    print(f"从 'openpyxl_new.xlsx' 中读取到数据: 姓名={name}, 年龄={age}")

except FileNotFoundError:
    print("错误: 'openpyxl_new.xlsx' 文件未找到。请先运行上一个示例创建它。")

读取现有Excel文件的数据-运行效果图

3. 向现有Excel文件追加数据

加载一个Excel文件，并在工作表的末尾添加新的数据行。

python 复制代码 
import openpyxl

# 假设 'append_sheet.xlsx' 已存在且包含一些数据
# 为了示例可独立运行，我们先创建它
wb = openpyxl.Workbook()
sheet = wb.active
sheet.append(['产品', '销量'])
sheet.append(['A', 100])
wb.save('append_sheet.xlsx')

# 加载工作簿并追加数据
wb = openpyxl.load_workbook('append_sheet.xlsx')
sheet = wb.active

# 追加一行数据
new_data = ['B', 150]
sheet.append(new_data)

# 保存更改
wb.save('append_sheet.xlsx')

print("数据已成功追加到 'append_sheet.xlsx'。")

向现有Excel文件追加数据-效果图

4. 使用Pandas读取Excel数据

pandas 提供了更便捷的方式将整个工作表或指定范围的数据读入一个DataFrame，便于分析。

python 复制代码 
import pandas as pd
import os

# 准备数据文件 data.xlsx
# 为了示例可独立运行，我们先创建它
data = {'姓名': ['小红', '小刚'], '分数': [95, 88]}
df_to_write = pd.DataFrame(data)
df_to_write.to_excel("data.xlsx", index=False)

# 使用pandas读取Excel文件
if os.path.exists("data.xlsx"):
    df = pd.read_excel("data.xlsx")
    print("使用Pandas读取 'data.xlsx' 的内容:")
    print(df)
else:
    print("文件 'data.xlsx' 不存在.")

使用Pandas读取Excel数据-运行效果图

5. 将Pandas DataFrame写入Excel文件

将 pandas 的DataFrame数据结构轻松导出为Excel文件，index=False 参数可以避免将DataFrame的索引写入文件。

python 复制代码 
import pandas as pd

# 创建一个DataFrame
data = {
    'ID': [1, 2, 3, 4],
    'Product': ['Apple', 'Banana', 'Cherry', 'Date'],
    'Price': [0.5, 0.3, 2.5, 1.8]
}
df = pd.DataFrame(data)

# 将DataFrame写入Excel文件
# index=False表示不把DataFrame的索引写入Excel
df.to_excel("products.xlsx", sheet_name="ProductList", index=False)

print("DataFrame已成功写入 'products.xlsx'。")

将Pandas DataFrame写入Excel文件-效果图

6. 读取Excel文件中的特定工作表

当一个Excel文件包含多个工作表时，可以指定工作表的名称或索引来读取。

python 复制代码 
import pandas as pd

# 创建一个包含多个工作表的Excel文件
with pd.ExcelWriter('multi_sheet_data.xlsx') as writer:
    pd.DataFrame({'col1': [1, 2], 'col2': [3, 4]}).to_excel(writer, sheet_name='SheetA', index=False)
    pd.DataFrame({'colA': [5, 6], 'colB': [7, 8]}).to_excel(writer, sheet_name='SheetB', index=False)

# 通过名称读取第二个工作表 'SheetB'
df_b = pd.read_excel('multi_sheet_data.xlsx', sheet_name='SheetB')
print("读取工作表 'SheetB' 的内容:")
print(df_b)

# 通过索引读取第一个工作表 (索引从0开始)
df_a = pd.read_excel('multi_sheet_data.xlsx', sheet_name=0)
print("\n读取第一个工作表 (索引0) 的内容:")
print(df_a)

读取Excel文件中的特定工作表-运行效果图

7. 遍历工作表中的行和列

使用 openpyxl 可以方便地逐行或逐列遍历数据，适用于需要对每个单元格进行处理的场景。

python 复制代码 
import openpyxl

# 准备数据文件
wb = openpyxl.Workbook()
sheet = wb.active
for i in range(1, 6):
    sheet.append([f'Row{i}ColA', f'Row{i}ColB', f'Row{i}ColC'])
wb.save('iteration_data.xlsx')

# 加载工作簿
wb = openpyxl.load_workbook('iteration_data.xlsx')
sheet = wb.active

# 遍历行
print("遍历所有行:")
for row in sheet.iter_rows(values_only=True):
    print(row)

# 遍历列
print("\n遍历第一列:")
for cell in sheet['A']:
    print(cell.value)

遍历工作表中的行和列-运行效果图

8. 获取工作簿中所有工作表的名称

快速列出Excel文件中所有的工作表名称。

python 复制代码 
import openpyxl

# 使用上一个示例创建的文件 'multi_sheet_data.xlsx'
# 如果文件不存在，则创建一个
try:
    wb = openpyxl.load_workbook('multi_sheet_data.xlsx')
except FileNotFoundError:
    wb = openpyxl.Workbook()
    wb.create_sheet("SheetA")
    wb.create_sheet("SheetB")
    wb.save('multi_sheet_data.xlsx')

# 获取所有工作表名称
sheet_names = wb.sheetnames
print(f"'multi_sheet_data.xlsx' 中的工作表有: {sheet_names}")

获取工作簿中所有工作表的名称-运行效果图

9. 在工作簿中创建新的工作表

在现有工作簿中动态添加新的工作表，并可以指定其名称和位置。

python 复制代码 
import openpyxl

# 加载或创建工作簿
try:
    wb = openpyxl.load_workbook('workbook_with_new_sheets.xlsx')
except FileNotFoundError:
    wb = openpyxl.Workbook()

# 创建一个名为 'NewSheet' 的新工作表
if 'NewSheet' not in wb.sheetnames:
    new_sheet = wb.create_sheet(title="NewSheet")
    new_sheet['A1'] = '这是新的工作表'

# 在指定位置（第一个）创建工作表
if 'FirstSheet' not in wb.sheetnames:
    first_sheet = wb.create_sheet(title="FirstSheet", index=0)
    first_sheet['A1'] = '这是第一个工作表'

wb.save('workbook_with_new_sheets.xlsx')
print("新的工作表已创建并保存到 'workbook_with_new_sheets.xlsx'。")
print(f"当前所有工作表: {wb.sheetnames}")

在工作簿中创建新的工作表-运行效果图

在工作簿中创建新的工作表-文件效果图

10. 处理大型Excel文件（只读模式）

当处理非常大的Excel文件时，为了节省内存，可以使用 openpyxl 的只读模式。这会以流的方式读取数据，而不会将整个文件加载到内存中。

python 复制代码 
import openpyxl

# 创建一个模拟的大型文件
print("正在创建一个模拟的大型文件 'large_file.xlsx'...")
wb = openpyxl.Workbook()
sheet = wb.active
# 写入10万行数据
for i in range(1, 100001):
    sheet.append([f'ID_{i}', i*10, f'Data-{i}'])
wb.save('large_file.xlsx')
print("大型文件创建完毕。")

# 使用只读模式高效读取
wb_read = openpyxl.load_workbook('large_file.xlsx', read_only=True)
sheet_read = wb_read.active

print("\n以只读模式开始处理大型文件...")
row_count = 0
# iter_rows() 在只读模式下是高效的
for row in sheet_read.iter_rows():
    row_count += 1
    # 这里可以添加处理每一行数据的逻辑
    # 为了演示，我们只打印前5行和最后5行
    if row_count <= 5 or row_count > 99995:
        print(f"读取行 {row_count}: {[cell.value for cell in row]}")

print(f"...处理完成，共读取 {row_count} 行。")

处理大型Excel文件（只读模式）-运行效果图

样式美化 (11-20)

11. 设置单元格字体样式（字体、大小、粗体、斜体）

使用 openpyxl.styles.Font 来定义并应用字体样式到单元格。

python 复制代码 
import openpyxl
from openpyxl.styles import Font

wb = openpyxl.Workbook()
sheet = wb.active

# 定义不同的字体样式
font_bold = Font(name='Calibri', size=12, bold=True)
font_italic_color = Font(name='Arial', size=10, italic=True, color='FF0000') # 红色

# 应用样式
sheet['A1'].value = '粗体文本'
sheet['A1'].font = font_bold

sheet['B2'].value = '红色斜体'
sheet['B2'].font = font_italic_color

wb.save('font_styles.xlsx')
print("已应用字体样式并保存到 'font_styles.xlsx'。")

设置单元格字体样式-效果图

12. 设置单元格背景填充颜色

使用 openpyxl.styles.PatternFill 可以为单元格设置纯色或图案填充。

python 复制代码 
import openpyxl
from openpyxl.styles import PatternFill

wb = openpyxl.Workbook()
sheet = wb.active

# 定义填充样式
fill_green = PatternFill(start_color='00FF00', end_color='00FF00', fill_type='solid')
fill_yellow = PatternFill(fill_type='solid', fgColor='FFFF00')

# 应用填充
sheet['A1'].value = '绿色背景'
sheet['A1'].fill = fill_green

sheet.cell(row=2, column=2, value='黄色背景').fill = fill_yellow

wb.save('fill_style.xlsx')
print("已应用背景填充并保存到 'fill_style.xlsx'。")

设置单元格背景填充颜色-效果图

13. 设置单元格边框

通过 openpyxl.styles.Border 和 Side 对象可以精细控制单元格的每个边框。

python 复制代码 
import openpyxl
from openpyxl.styles import Border, Side

wb = openpyxl.Workbook()
sheet = wb.active

# 定义边框样式
thin_border = Border(
    left=Side(style='thin'), 
    right=Side(style='thin'), 
    top=Side(style='thin'), 
    bottom=Side(style='thin')
)
double_border_bottom = Border(bottom=Side(style='double', color='0000FF'))

# 应用边框
sheet['A1'].value = '四边框'
sheet['A1'].border = thin_border

sheet['B2'].value = '蓝色双下划线'
sheet['B2'].border = double_border_bottom

wb.save('border_styles.xlsx')
print("已应用边框样式并保存到 'border_styles.xlsx'。")

设置单元格边框-效果图

14. 设置单元格对齐方式

使用 openpyxl.styles.Alignment 控制文本在单元格内的水平和垂直对齐以及文本换行。

python 复制代码 
import openpyxl
from openpyxl.styles import Alignment

wb = openpyxl.Workbook()
sheet = wb.active

# 设置列宽和行高以便观察效果
sheet.column_dimensions['A'].width = 20
sheet.row_dimensions[1].height = 40

# 定义对齐样式
align_center_wrap = Alignment(horizontal='center', vertical='center', wrap_text=True)

# 应用对齐
sheet['A1'].value = '这是一个需要换行并居中对齐的长文本。'
sheet['A1'].alignment = align_center_wrap

wb.save('alignment_style.xlsx')
print("已应用对齐样式并保存到 'alignment_style.xlsx'。")

设置单元格对齐方式-效果图

15. 合并与拆分单元格

merge_cells() 用于合并一个矩形区域的单元格，unmerge_cells() 用于拆分。

python 复制代码 
import openpyxl
from openpyxl.styles import Alignment, Font

wb = openpyxl.Workbook()
sheet = wb.active

# 合并单元格 A1到C1
sheet.merge_cells('A1:C1')
merged_cell = sheet['A1']
merged_cell.value = '合并后的标题'
merged_cell.alignment = Alignment(horizontal='center', vertical='center')
merged_cell.font = Font(bold=True)

# 写入一些其他数据
sheet['A2'] = '数据1'
sheet['B2'] = '数据2'
sheet['C2'] = '数据3'

# 拆分单元格 (示例)
# sheet.unmerge_cells('A1:C1')

wb.save('merge_cells.xlsx')
print("已合并单元格并保存到 'merge_cells.xlsx'。")

合并单元格-效果图

解开# sheet.unmerge_cells('A1:C1') 代码注释，再运行上述代码：

拆分单元格-效果图

16. 设置行高和列宽

可以精确地调整特定行的高度和特定列的宽度。

python 复制代码 
import openpyxl

wb = openpyxl.Workbook()
sheet = wb.active

# 写入数据
sheet['A1'] = '自定义列宽'
sheet['B1'] = '自定义行高'
sheet['B2'] = '高单元格'

# 设置A列的宽度为25
sheet.column_dimensions['A'].width = 25

# 设置第2行的高度为50
sheet.row_dimensions[2].height = 50

wb.save('dimensions.xlsx')
print("已设置行高和列宽并保存到 'dimensions.xlsx'。")

设置行高和列宽-效果图

17. 冻结窗格

冻结窗格可以在滚动表格时保持指定的行和列可见，便于查看大型数据集。

python 复制代码 
import openpyxl

wb = openpyxl.Workbook()
sheet = wb.active

# 冻结首行
sheet.freeze_panes = 'A2'

# 填充数据以演示滚动效果
sheet.append(['Header1', 'Header2', 'Header3'])
for i in range(1, 51):
    sheet.append([f'Data{i}-1', f'Data{i}-2', f'Data{i}-3'])

wb.save('freeze_panes.xlsx')
print("已冻结首行并保存到 'freeze_panes.xlsx'。打开文件滚动查看效果。")

冻结窗格-效果图

18. 设置数字格式

控制单元格中数字的显示格式，如货币、百分比、日期等。

python 复制代码 
import openpyxl
from datetime import datetime

wb = openpyxl.Workbook()
sheet = wb.active

# 写入不同类型的数据
sheet['A1'] = 0.123
sheet['A2'] = 1500.50
sheet['A3'] = datetime.now()

# 应用数字格式
sheet['A1'].number_format = '0.00%'  # 百分比
sheet['A2'].number_format = '$#,##0.00' # 货币
sheet['A3'].number_format = 'YYYY-MM-DD HH:MM:SS' # 日期时间

sheet.column_dimensions['A'].width = 25

wb.save('number_formats.xlsx')
print("已设置数字格式并保存到 'number_formats.xlsx'。")

设置数字格式-效果图

19. 使用Pandas Styler进行样式设置

Pandas的 Styler 对象提供了一种更"数据驱动"的方式来设置Excel样式，例如根据值高亮显示单元格。

python 复制代码 
import pandas as pd

# 创建DataFrame
data = {'科目': ['语文', '数学', '英语'], '分数': [85, 98, 78]}
df = pd.DataFrame(data)

# 定义样式函数：分数低于80的标为红色
def highlight_low_score(s):
    return ['background-color: #FFCDD2' if v < 80 else '' for v in s]

# 应用样式
styler = df.style.apply(highlight_low_score, subset=['分数'])

# 导出到Excel
styler.to_excel('styled_scores.xlsx', engine='openpyxl', index=False)

print("使用Pandas Styler设置样式并保存到 'styled_scores.xlsx'。")

使用Pandas Styler进行样式设置-效果图

20. 保护工作表

可以锁定工作表以防止意外修改，同时可以设置密码。

python 复制代码 
import openpyxl

wb = openpyxl.Workbook()
sheet = wb.active

sheet['A1'] = '这是受保护的数据'
sheet['B1'] = '此单元格可编辑'

# 锁定A1单元格（默认所有单元格都是锁定的）
sheet['A1'].protection = openpyxl.styles.Protection(locked=True)
# 解锁B1单元格
sheet['B1'].protection = openpyxl.styles.Protection(locked=False)

# 启用工作表保护，可以设置密码
sheet.protection.sheet = True
sheet.protection.password = 'password123' # 设置密码

wb.save('protected_sheet.xlsx')
print("已保护工作表并保存到 'protected_sheet.xlsx'。密码是 'password123'。")

保护工作表-效果图

数据分析 (21-35)

这部分主要利用 pandas 库的强大功能，它极大地简化了数据处理和分析的流程。

首先，我们创建一个通用的数据集用于本节的多数示例。

python 复制代码 
import pandas as pd
import numpy as np

# 创建一个示例销售数据DataFrame
data = {
    'Date': pd.to_datetime(['2023-01-01', '2023-01-01', '2023-01-02', '2023-01-02', '2023-01-03', '2023-01-03', '2023-01-01']),
    'Region': ['East', 'West', 'East', 'West', 'East', 'South', 'East'],
    'Product': ['A', 'A', 'B', 'A', 'B', 'C', 'A'],
    'Sales': [100, 150, 200, 50, 120, 80, 100],
    'Quantity': [10, 15, 20, 5, 12, 8, 10]
}
df_sales = pd.DataFrame(data)

# 增加一些缺失值用于后续演示
df_sales.loc[5, 'Sales'] = np.nan

# 保存到Excel文件
df_sales.to_excel('sales_data.xlsx', index=False)

print("销售数据已创建并保存到 'sales_data.xlsx'。")

创建的销售数据文件

21. 根据条件筛选数据

使用 pandas 可以轻松地根据列值筛选出符合条件的行。

python 复制代码 
import pandas as pd

# 读取数据
df = pd.read_excel('sales_data.xlsx')

# 筛选出 'Region' 为 'East' 且 'Sales' 大于 100 的数据
filtered_df = df[(df['Region'] == 'East') & (df['Sales'] > 100)]

print("筛选结果 (Region为East且Sales > 100):")
print(filtered_df)

filtered_df.to_excel('filtered_sales.xlsx', index=False)

根据条件筛选数据-运行效果图

22. 按列排序数据

按一列或多列对数据进行升序或降序排序。

python 复制代码 
import pandas as pd

# 读取数据
df = pd.read_excel('sales_data.xlsx')

# 按 'Region' 升序，然后按 'Sales' 降序排序
sorted_df = df.sort_values(by=['Region', 'Sales'], ascending=[True, False])

print("排序结果:")
print(sorted_df)

sorted_df.to_excel('sorted_sales.xlsx', index=False)

按列排序数据-运行效果图

23. 删除重复数据

识别并移除数据集中的重复行。

python 复制代码 
import pandas as pd

# 读取数据 (sales_data.xlsx 中有重复行)
df = pd.read_excel('sales_data.xlsx')

# 删除基于所有列都重复的行
df_no_duplicates = df.drop_duplicates()

print("原始数据行数:", len(df))
print("去重后数据行数:", len(df_no_duplicates))
print("\n去重后的数据:")
print(df_no_duplicates)

df_no_duplicates.to_excel('deduplicated_sales.xlsx', index=False)

删除重复数据-运行效果图

24. 分组聚合数据

按某个或多个分类列对数据进行分组，然后计算每组的统计量（如总和、平均值等）。

python 复制代码 
import pandas as pd

# 读取数据
df = pd.read_excel('sales_data.xlsx')

# 按 'Region' 分组，计算每个区域的销售总额和平均数量
region_summary = df.groupby('Region').agg(
    Total_Sales=('Sales', 'sum'),
    Avg_Quantity=('Quantity', 'mean')
).reset_index()

print("按区域分组聚合的结果:")
print(region_summary)

region_summary.to_excel('region_summary.xlsx', index=False)

分组聚合数据-运行效果图

25. 创建数据透视表

数据透视表是数据汇总的强大工具，可以灵活地重塑数据以进行多维度分析。

python 复制代码 
import pandas as pd

# 读取数据
df = pd.read_excel('sales_data.xlsx')

# 创建数据透视表：以 'Region' 为行，'Product' 为列，值为 'Sales' 的总和
pivot_table = df.pivot_table(index='Region', columns='Product', values='Sales', aggfunc='sum', fill_value=0)

print("数据透视表结果:")
print(pivot_table)

pivot_table.to_excel('sales_pivot_table.xlsx')

创建数据透视表-运行效果图

26. 基于现有列计算新列

通过对现有列进行算术运算或其他转换来创建新的数据列。

python 复制代码 
import pandas as pd

# 读取数据
df = pd.read_excel('sales_data.xlsx')

# 计算新列 'Price_Per_Unit' (单价)
df['Price_Per_Unit'] = df['Sales'] / df['Quantity']

print("添加了 'Price_Per_Unit' 列后的数据:")
print(df)

df.to_excel('sales_with_price.xlsx', index=False)

基于现有列计算新列-运行效果图

27. 模拟Excel的VLOOKUP功能

使用 pandas.merge 可以实现类似Excel中VLOOKUP的功能，用于合并两个相关联的数据集。

python 复制代码 
import pandas as pd

# 主数据表 (sales_data.xlsx)
df_sales = pd.read_excel('sales_data.xlsx')

# 创建一个产品信息查找表
product_info = pd.DataFrame({
    'Product': ['A', 'B', 'C'],
    'Category': ['Fruit', 'Vegetable', 'Fruit']
})

# 使用 merge 实现 VLOOKUP
merged_df = pd.merge(df_sales, product_info, on='Product', how='left')

print("合并了产品类别信息后的数据:")
print(merged_df)

merged_df.to_excel('sales_with_category.xlsx', index=False)

模拟Excel的VLOOKUP-运行效果图

28. 对列应用自定义函数

使用 .apply() 方法可以将一个自定义函数应用到DataFrame的某一列或多列。

python 复制代码 
import pandas as pd

# 读取数据
df = pd.read_excel('sales_data.xlsx')

# 定义一个函数，根据销售额给产品评级
def get_sales_level(sales):
    if pd.isna(sales):
        return 'Unknown'
    if sales > 150:
        return 'High'
    elif sales > 80:
        return 'Medium'
    else:
        return 'Low'

# 应用函数创建新列 'Sales_Level'
df['Sales_Level'] = df['Sales'].apply(get_sales_level)

print("添加了销售评级列的数据:")
print(df)

df.to_excel('sales_with_level.xlsx', index=False)

对列应用自定义函数-运行效果图

29. 处理缺失值

数据分析前通常需要处理缺失值（NaN），可以选择填充一个特定值，或直接删除含有缺失值的行。

python 复制代码 
import pandas as pd

# 读取含有缺失值的数据
df = pd.read_excel('sales_data.xlsx')

# 填充缺失的 'Sales' 值为该列的平均值
mean_sales = df['Sales'].mean()
df_filled = df.fillna({'Sales': mean_sales})

print("用平均值填充缺失值后的数据:")
print(df_filled)

# 或者，删除含有任何缺失值的行
df_dropped = df.dropna()
print("\n删除缺失值行后的数据:")
print(df_dropped)

df_filled.to_excel('sales_filled_na.xlsx', index=False)

处理缺失值-运行效果图

30. 获取描述性统计信息

快速生成数值列的摘要统计信息，如计数、均值、标准差、最小值、最大值和四分位数。

python 复制代码 
import pandas as pd

# 读取数据
df = pd.read_excel('sales_data.xlsx')

# 获取数值列的描述性统计
stats = df.describe()

print("销售数据的描述性统计:")
print(stats)

stats.to_excel('sales_statistics.xlsx')

获取描述性统计信息-运行效果图

31. 添加自动筛选器

使用 openpyxl 为表格的标题行添加自动筛选功能，就像在Excel中手动操作一样。

python 复制代码 
import openpyxl

# 使用之前创建的 'sorted_sales.xlsx' 文件
file_path = 'sorted_sales.xlsx'

# 加载工作簿和工作表
wb = openpyxl.load_workbook(file_path)
sheet = wb.active

# 为整个数据范围添加自动筛选器
sheet.auto_filter.ref = sheet.dimensions

wb.save(file_path)
print(f"已为 '{file_path}' 添加自动筛选器。")

添加自动筛选器-运行效果图-1

添加自动筛选器-运行效果图-2

添加自动筛选器-运行效果图-3

添加自动筛选器-运行效果图-4

32. 设置条件格式

根据单元格的值动态改变其样式，例如将高于平均值的销售额标绿。

python 复制代码 
import openpyxl
from openpyxl.styles import PatternFill
from openpyxl.formatting.rule import CellIsRule

# 使用 'sales_with_price.xlsx' 文件
file_path = 'sales_with_price.xlsx'
wb = openpyxl.load_workbook(file_path)
sheet = wb.active

# 定义样式：绿色填充
green_fill = PatternFill(start_color='C6EFCE', end_color='C6EFCE', fill_type='solid')

# 定义规则：单元格值大于150
rule = CellIsRule(operator='greaterThan', formula=[150], fill=green_fill)

# 应用规则到 'Sales' 列 (D列)
sheet.conditional_formatting.add('D2:D100', rule)

wb.save('sales_conditional_formatting.xlsx')
print("已添加条件格式并保存到 'sales_conditional_formatting.xlsx'。")

设置条件格式-运行效果图

33. 将一列拆分为多列

当一个单元格内包含多个信息时（例如用逗号分隔），可以将其拆分到不同的列中。

python 复制代码 
import pandas as pd

# 创建一个包含复合列的DataFrame
df = pd.DataFrame({
    'ID': [1, 2, 3],
    'Name_City': ['John-NewYork', 'Anna-London', 'Peter-Tokyo']
})

# 按 '-' 拆分 'Name_City' 列
df[['Name', 'City']] = df['Name_City'].str.split('-', expand=True)

# 删除原始列
df = df.drop('Name_City', axis=1)

print("拆分列后的数据:")
print(df)

df.to_excel('split_column_data.xlsx', index=False)

将一列拆分为多列-运行效果图

34. 合并多个Excel文件

将多个结构相同的Excel文件中的数据合并到一个文件中。

python 复制代码 
import pandas as pd
import os

# 创建两个模拟的月度销售文件
df1 = pd.DataFrame({'Month': ['Jan'], 'Sales': [1000]})
df2 = pd.DataFrame({'Month': ['Feb'], 'Sales': [1200]})
df1.to_excel('sales_jan.xlsx', index=False)
df2.to_excel('sales_feb.xlsx', index=False)

# 获取所有要合并的文件列表
files_to_merge = ['sales_jan.xlsx', 'sales_feb.xlsx']

# 读取并合并
all_data = pd.concat((pd.read_excel(f) for f in files_to_merge), ignore_index=True)

print("合并后的数据:")
print(all_data)

all_data.to_excel('yearly_sales_summary.xlsx', index=False)

# 清理临时文件
os.remove('sales_jan.xlsx')
os.remove('sales_feb.xlsx')

合并多个Excel文件-运行效果图

35. 将数据写入多个工作表

将不同的DataFrame写入同一个Excel文件的不同工作表中。

python 复制代码 
import pandas as pd

# 准备两个不同的DataFrame
df_east = pd.DataFrame({'Product': ['A', 'B'], 'Sales': [200, 250]})
df_west = pd.DataFrame({'Product': ['A', 'C'], 'Sales': [300, 150]})

# 使用 ExcelWriter 将它们写入不同的工作表
with pd.ExcelWriter('regional_sales_report.xlsx') as writer:
    df_east.to_excel(writer, sheet_name='East_Region', index=False)
    df_west.to_excel(writer, sheet_name='West_Region', index=False)

print("已将不同区域的数据写入到 'regional_sales_report.xlsx' 的不同工作表中。")

将数据写入多个工作表-效果图-1

将数据写入多个工作表-效果图-2

图表可视化 (36-42)

这部分将展示如何使用 openpyxl 在Excel中创建和定制各种图表。

首先，我们创建一个通用的数据文件，用于本节的所有图表示例。

python 复制代码 
import openpyxl

# 创建一个工作簿和工作表
wb = openpyxl.Workbook()
sheet = wb.active
sheet.title = 'ChartData'

# 添加数据
headers = ['Category', 'Series 1', 'Series 2', 'Scatter X', 'Scatter Y']
sheet.append(headers)
data = [
    ('A', 20, 30, 1, 5),
    ('B', 40, 60, 2, 10),
    ('C', 50, 70, 3, 7),
    ('D', 30, 50, 4, 15),
    ('E', 25, 45, 5, 8)
]
for row in data:
    sheet.append(row)

# 保存文件
wb.save('chart_data.xlsx')
print("图表数据已创建并保存到 'chart_data.xlsx'。")

创建的图表数据文件

36. 创建柱状图/条形图

柱状图是比较不同类别数据量的常用图表。

python 复制代码 
import openpyxl
from openpyxl.chart import BarChart, Reference

# 加载工作簿
wb = openpyxl.load_workbook('chart_data.xlsx')
sheet = wb['ChartData']

# 创建一个柱状图对象
chart = BarChart()
chart.type = "col" # 'col' 是柱状图, 'bar' 是条形图
chart.title = "柱状图示例"
chart.x_axis.title = "类别"
chart.y_axis.title = "数值"

# 选择数据范围
data = Reference(sheet, min_col=2, min_row=1, max_col=3, max_row=6)
cats = Reference(sheet, min_col=1, min_row=2, max_row=6)

# 将数据添加到图表
chart.add_data(data, titles_from_data=True)
chart.set_categories(cats)

# 将图表添加到工作表的位置 E2
sheet.add_chart(chart, "E2")

wb.save('bar_chart_report.xlsx')
print("柱状图已创建并保存到 'bar_chart_report.xlsx'。")

柱状图效果

37. 创建折线图

折线图适合展示数据随时间或连续间隔变化的趋势。

python 复制代码 
import openpyxl
from openpyxl.chart import LineChart, Reference

# 加载工作簿
wb = openpyxl.load_workbook('chart_data.xlsx')
sheet = wb['ChartData']

# 创建一个折线图对象
chart = LineChart()
chart.title = "折线图示例"
chart.x_axis.title = "类别"
chart.y_axis.title = "数值"

# 选择数据范围
data = Reference(sheet, min_col=2, min_row=1, max_col=3, max_row=6)
cats = Reference(sheet, min_col=1, min_row=2, max_row=6)

# 将数据添加到图表
chart.add_data(data, titles_from_data=True)
chart.set_categories(cats)

# 将图表添加到工作表的位置 G2
sheet.add_chart(chart, "G2")

wb.save('line_chart_report.xlsx')
print("折线图已创建并保存到 'line_chart_report.xlsx'。")

折线图效果

38. 创建饼图

饼图用于显示各部分占总体的百分比。

python 复制代码 
import openpyxl
from openpyxl.chart import PieChart, Reference

# 加载工作簿
wb = openpyxl.load_workbook('chart_data.xlsx')
sheet = wb['ChartData']

# 创建一个饼图对象
chart = PieChart()
chart.title = "饼图示例 (Series 1)"

# 选择数据范围 (只使用 Series 1)
labels = Reference(sheet, min_col=1, min_row=2, max_row=6)
data = Reference(sheet, min_col=2, min_row=1, max_row=6)

chart.add_data(data, titles_from_data=True)
chart.set_categories(labels)

# 将图表添加到工作表的位置 G2
sheet.add_chart(chart, "G2")

wb.save('pie_chart_report.xlsx')
print("饼图已创建并保存到 'pie_chart_report.xlsx'。")

饼图效果

39. 创建散点图

散点图用于展示两个数值变量之间的关系。

python 复制代码 
import openpyxl
from openpyxl.chart import ScatterChart, Reference, Series

# 加载工作簿
wb = openpyxl.load_workbook('chart_data.xlsx')
sheet = wb['ChartData']

# 创建一个散点图对象
chart = ScatterChart()
chart.title = "散点图示例"
chart.x_axis.title = "X 值"
chart.y_axis.title = "Y 值"

# 设置散点图样式
chart.style = 2  # 设置图表样式

# 定义X和Y轴的数据
x_values = Reference(sheet, min_col=4, min_row=2, max_row=6)
y_values = Reference(sheet, min_col=5, min_row=2, max_row=6)

# 创建一个数据系列并添加到图表
series = Series(y_values, x_values, title="观测点")
# 设置散点图的标记样式
series.marker.symbol = "circle"
series.marker.size = 7
series.graphicalProperties.line.noFill = True  # 不显示连接线
chart.series.append(series)

# 将图表添加到工作表的位置 G2
sheet.add_chart(chart, "G2")

wb.save('scatter_chart_report.xlsx')
print("散点图已创建并保存到 'scatter_chart_report.xlsx'。")

散点图效果

40. 创建面积图

面积图类似于折线图，但线下方的区域被填充，强调数量随时间变化的程度。

python 复制代码 
import openpyxl
from openpyxl.chart import AreaChart, Reference

# 加载工作簿
wb = openpyxl.load_workbook('chart_data.xlsx')
sheet = wb['ChartData']

# 创建一个面积图对象
chart = AreaChart()
chart.title = "面积图示例"
chart.x_axis.title = "类别"
chart.y_axis.title = "数值"

# 选择数据范围
data = Reference(sheet, min_col=2, min_row=1, max_col=3, max_row=6)
cats = Reference(sheet, min_col=1, min_row=2, max_row=6)

# 将数据添加到图表
chart.add_data(data, titles_from_data=True)
chart.set_categories(cats)

# 将图表添加到工作表的位置 G2
sheet.add_chart(chart, "G2")

wb.save('area_chart_report.xlsx')
print("面积图已创建并保存到 'area_chart_report.xlsx'。")

面积图效果

41. 自定义图表样式（标题、图例、颜色）

可以对图表的各个元素进行详细的定制，以满足报告的美观要求。

python 复制代码 
import openpyxl
from openpyxl.chart import LineChart, Reference
from openpyxl.chart.shapes import GraphicalProperties
from openpyxl.drawing.line import LineProperties

# 加载工作簿
wb = openpyxl.load_workbook('chart_data.xlsx')
sheet = wb['ChartData']

# 创建折线图
chart = LineChart()

# 自定义标题
chart.title = "自定义图表"
chart.style = 13 # 选择一个内置样式

# 自定义坐标轴
chart.y_axis.title = 'Y-Axis'
chart.x_axis.title = 'X-Axis'

# 自定义图例位置
chart.legend.position = 'b' # 'b' for bottom

# 选择数据
data = Reference(sheet, min_col=2, min_row=1, max_col=3, max_row=6)
cats = Reference(sheet, min_col=1, min_row=2, max_row=6)
chart.add_data(data, titles_from_data=True)
chart.set_categories(cats)

# 自定义数据系列颜色
s1 = chart.series[0]
s1.graphicalProperties = GraphicalProperties(ln=LineProperties(solidFill="FF0000")) # 红色
s2 = chart.series[1]
s2.marker.symbol = "triangle" # 改变数据点标记
s2.graphicalProperties = GraphicalProperties(ln=LineProperties(solidFill="00B050")) # 绿色

# 添加图表
sheet.add_chart(chart, "G2")

wb.save('custom_chart_report.xlsx')
print("自定义图表已创建并保存到 'custom_chart_report.xlsx'。")

自定义图表效果

42. 创建带有次坐标轴的组合图

当需要比较两个单位和量级差异很大的数据系列时，组合图和次坐标轴非常有用。

python 复制代码 
import openpyxl
from openpyxl.chart import BarChart, LineChart, Reference

# 准备数据
wb = openpyxl.Workbook()
sheet = wb.active
sheet.append(['Month', 'Sales (Units)', 'Avg Temperature (°C)'])
for i in range(1, 7):
    sheet.append([f'Month {i}', 100 + i*20, 15 + i*2])

# 创建主图（柱状图）
bar_chart = BarChart()
data1 = Reference(sheet, min_col=2, min_row=1, max_row=7)
cats = Reference(sheet, min_col=1, min_row=2, max_row=7)
bar_chart.add_data(data1, titles_from_data=True)
bar_chart.set_categories(cats)
bar_chart.y_axis.title = "销量 (单位)"

# 创建次坐标轴的图（折线图）
line_chart = LineChart()
data2 = Reference(sheet, min_col=3, min_row=1, max_row=7)
line_chart.add_data(data2, titles_from_data=True)
line_chart.y_axis.axId = 200 # 设置为次坐标轴ID
line_chart.y_axis.title = "平均温度 (°C)"

# 将折线图的Y轴移到次坐标轴
bar_chart.y_axis.crosses = "max"
bar_chart += line_chart # 将折线图叠加到柱状图上

# 添加图表
sheet.add_chart(bar_chart, "E2")

wb.save('combo_chart_report.xlsx')
print("组合图已创建并保存到 'combo_chart_report.xlsx'。")

组合图效果

功能分类：高级功能 (43-50)

43. 批量处理文件夹中的所有Excel文件

自动化处理一个文件夹内的所有Excel文件，例如，为每个文件的特定列计算总和。

python 复制代码 
import pandas as pd
import os

# 创建一个临时文件夹和一些示例文件
if not os.path.exists('temp_excel_folder'):
    os.makedirs('temp_excel_folder')

pd.DataFrame({'Data': [10, 20]}).to_excel('temp_excel_folder/test1.xlsx', index=False)
pd.DataFrame({'Data': [30, 40]}).to_excel('temp_excel_folder/test2.xlsx', index=False)

# 目标文件夹
folder_path = 'temp_excel_folder'

# 遍历文件夹中的所有 .xlsx 文件
for filename in os.listdir(folder_path):
    if filename.endswith('.xlsx'):
        file_path = os.path.join(folder_path, filename)
        
        # 读取文件
        df = pd.read_excel(file_path)
        
        # 计算'Data'列的总和
        total = df['Data'].sum()
        
        print(f"文件 '{filename}' 的 'Data' 列总和是: {total}")

print("\n批量处理完成。")

批量处理文件夹中的所有Excel文件-运行效果图

44. 添加数据验证

为单元格设置数据验证规则，限制用户输入的数据类型或范围，例如，只允许输入列表中的特定值。

python 复制代码 
import openpyxl
from openpyxl.worksheet.datavalidation import DataValidation

wb = openpyxl.Workbook()
sheet = wb.active

# 创建数据验证对象
# 允许列表中的值
dv = DataValidation(type="list", formula1='"男,女"', allow_blank=True)

# 添加提示信息
dv.prompt = '请从列表中选择'
dv.promptTitle = '性别选择'

# 将验证规则添加到工作表
sheet.add_data_validation(dv)

# 将规则应用到B列的所有单元格
dv.add('B1:B1048576')

sheet['A1'] = '姓名'
sheet['B1'] = '性别 (请点击选择)'

wb.save('data_validation_example.xlsx')
print("已添加数据验证并保存到 'data_validation_example.xlsx'。")

添加数据验证-效果图

45. 写入和读取Excel公式

可以直接向单元格写入Excel公式，openpyxl 在读取时可以通过 data_only=False 来获取公式本身，或 data_only=True 来获取公式计算后的结果。

python 复制代码 
import openpyxl

wb = openpyxl.Workbook()
sheet = wb.active

# 写入数据和公式
sheet['A1'] = 10
sheet['A2'] = 20
sheet['A3'] = '=SUM(A1:A2)'

# 保存文件
wb.save('formula_example.xlsx')
print("文件 'formula_example.xlsx' 已保存，A3包含公式。")

# --- 读取公式和结果 ---

# 读取公式本身
wb_formula = openpyxl.load_workbook('formula_example.xlsx', data_only=False)
sheet_formula = wb_formula.active
formula_in_a3 = sheet_formula['A3'].value
print(f"读取到的公式是: {formula_in_a3}")

# 读取公式计算出的值
wb_value = openpyxl.load_workbook('formula_example.xlsx', data_only=True)
sheet_value = wb_value.active
value_in_a3 = sheet_value['A3'].value
print(f"读取到的计算结果是: {value_in_a3}")

写入和读取Excel公式-运行效果

46. 将Excel表格转换为HTML

pandas 可以轻松地将DataFrame转换为HTML表格，便于在网页上展示。

python 复制代码 
import pandas as pd

# 创建一个DataFrame
data = {'排名': [1, 2, 3], '城市': ['上海', '北京', '深圳'], 'GDP (万亿)': [4.32, 3.99, 3.07]}
df = pd.DataFrame(data)

# 将DataFrame转换为HTML字符串
html_table = df.to_html(index=False, classes='table table-striped', justify='center')

# 将HTML保存到文件
with open('table.html', 'w', encoding='utf-8') as f:
    f.write(html_table)

print("Excel数据已转换为HTML并保存到 'table.html'。")

将Excel表格转换为HTML-效果图

47. 从网页抓取表格并存入Excel

pandas 的 read_html 功能非常强大，可以自动识别并读取网页中的表格数据。

python 复制代码 
import pandas as pd

# 这是一个包含表格的示例URL 
# 注意：此功能需要安装 lxml 库 (pip install lxml)
url = 'https://www.bigbug.net/table.html'

try:
    # read_html 返回一个DataFrame的列表
    tables = pd.read_html(url)
    
    # 通常第一个或第二个表格是我们需要的
    df_population = tables[0]

    #print(df_population)
    
    # 清理和重命名列
    df_population = df_population.iloc[:, [1, 2]] # 选择需要的列
    df_population.columns = ['新标题1', '新标题2']
    
    # 保存到Excel
    df_population.head(2).to_excel('new_table.xlsx', index=False)
    
    print("已成功从网页中获取到数据并保存前2条到 'new_table.xlsx'。")

except Exception as e:
    print(f"抓取失败，可能是网络问题或网页结构已改变: {e}")

从网页抓取表格并存入Excel-获取到的数据效果图

48. 性能优化：使用 openpyxl 的 write_only 模式

对于生成非常大的Excel文件，write_only 模式可以显著降低内存消耗，因为它以流式方式写入数据，不会在内存中保留整个工作簿结构。

python 复制代码 
import openpyxl

# 创建一个只写模式的工作簿
wb = openpyxl.Workbook(write_only=True)
ws = wb.create_sheet()

print("开始以只写模式生成大型文件 'large_write_only.xlsx'...")

# 写入标题行
ws.append(['ID', 'Value1', 'Value2'])

# 写入大量数据（10万行）
for i in range(100000):
    ws.append([i, i*2, i*3])

# 保存文件
wb.save('large_write_only.xlsx')

print("大型文件生成完毕。")

大型文件生成效果图

49. 将Excel转换为CSV

将Excel文件转换为CSV（逗号分隔值）格式，这是一种更通用、更轻量级的数据存储格式。

python 复制代码 
import pandas as pd

# 准备一个Excel文件
pd.DataFrame({'A': [1, 2], 'B': ['x', 'y']}).to_excel('data_to_convert.xlsx', index=False)

# 读取Excel
df = pd.read_excel('data_to_convert.xlsx')

# 保存为CSV
# index=False 避免写入pandas的索引
# encoding='utf-8-sig' 确保中文字符在Excel中正确显示
df.to_csv('converted_data.csv', index=False, encoding='utf-8-sig')

print("文件 'data_to_convert.xlsx' 已成功转换为 'converted_data.csv'。")

将Excel转换为CSV-效果图

50. 从CSV读取数据并存入Excel

与上一个示例相反，将CSV文件的数据读入并保存为具有更多格式化选项的Excel文件。

python 复制代码 
import pandas as pd

# 准备一个CSV文件
csv_data = "col1,col2\n10,20\n30,40"
with open('data.csv', 'w') as f:
    f.write(csv_data)

# 读取CSV
df = pd.read_csv('data.csv')

# 保存为Excel
df.to_excel('from_csv.xlsx', index=False, sheet_name='MyData')

print("文件 'data.csv' 已成功转换为 'from_csv.xlsx'。")

从CSV读取数据并存入Excel-效果图

总结

至此，这些示例代码已经涵盖了50个从基础到高级的Python处理Excel的常见场景。你可以直接使用或根据具体需求进行调整。

工具选择指南：

  1. 数据清洗分析 → pandas

    • 适用于筛选、排序、聚合、处理缺失值、数据透视等复杂的数据操作。

  2. 格式控制/公式/图表 → openpyxl / xlsxwriter

    • openpyxl 擅长对现有 .xlsx 文件进行精细的格式修改。
    • xlsxwriter 专注于从头创建格式复杂的报告，尤其在图表和高级功能方面表现出色。

  3. 大文件处理 → openpyxl (read_only模式) 或 pandas 分块

    • openpyxl 的只读模式能显著降低大文件读取时的内存消耗。
    • pandas 通过分块读取，可以处理超出内存大小的数据集。

  4. Excel 自动化 → xlwings

    • 能与正在运行的 Excel 应用程序进行实时交互，适合需要VBA式自动化的场景。

  5. 旧版 .xls 文件 → xlrd / xlwt

    • 这两个库是处理 Excel 2003 及更早版本 .xls 格式的标准选择。

  6. 格式转换 → Tablib

    • 轻量级库，可以方便地在 Excel, CSV, JSON, HTML 等多种格式间进行数据转换。

  7. 混合场景 → pandas + openpyxl 组合

    • 这是最强大和灵活的组合：利用 pandas 进行高效的数据分析，然后借助 openpyxl 引擎进行精美的格式化输出。

性能优化要点

  1. 大文件优先使用 read_only=True 或分块处理：避免一次性将大文件全部加载到内存中，这是处理大数据的关键。

  2. 数据类型优化减少内存占用 ：在 pandas 中，使用 astype() 将列转换为更节省空间的类型（如将 float64 转为 float32，或将数字列转为 category 类型）可以有效减少内存占用。

  3. 及时释放不需要的对象 ：在处理完大型数据对象（如 DataFrame）后，使用 del 关键字并调用垃圾回收 (import gc; gc.collect()) 可以帮助及时释放内存。

  4. 批处理时注意内存管理：在循环处理多个文件或数据块时，确保在每次迭代结束时清理不再需要的变量，防止内存泄漏。

希望这些示例能对您有所帮助！(*￣︶￣)

相关推荐
51712 分钟前
Django中序列化与反序列化
后端·python·django
lxiaoj11112 分钟前
Python文件操作笔记
笔记·python
Tomorrow'sThinker1 小时前
✍️ Python 批量设置 Word 文档多级字体样式（标题/正文/名称/小节）
python·自动化·word·excel
秋难降1 小时前
Python 知识点详解（三）
python·编程语言
chao_7892 小时前
二分查找篇——寻找旋转排序数组中的最小值【LeetCode】
python·线性代数·算法·leetcode·矩阵
金玉满堂@bj2 小时前
PyCharm 中 Python 解释器的添加选项及作用
ide·python·pycharm
程序员三藏2 小时前
如何使用Pytest进行测试？
自动化测试·软件测试·python·测试工具·职场和发展·测试用例·pytest
随心点儿3 小时前
使用python 将多个docx文件合并为一个word
开发语言·python·多个word合并为一个
不学无术の码农3 小时前
《Effective Python》第十三章 测试与调试——使用 Mock 测试具有复杂依赖的代码
开发语言·python
sleepybear11133 小时前
在Ubuntu上从零开始编译并运行Home Assistant源码并集成HACS与小米开源的Ha Xiaomi Home
python·智能家居·小米·home assistant·米家·ha xiaomi home
热门推荐
01使用Ruby接入实时行情API教程02KGG转MP3工具|非KGM文件|解密音频03Coze扣子平台完整体验和实践（附国内和国际版对比）04深度神经网络训练过程与常见概念05集群聊天服务器---MySQL数据库的建立06扣子（coze）实战|我用扣子搭建了一个自动分析小红薯笔记内容的AI应用|详细步骤拆解07【无标题】08Java学习第十五部分——MyBatis09DeepSeek各版本说明与优缺点分析10绿色建筑新态势：楼宇自控助力能效提升，推动成本优化新路径