用 Python 批量处理 Excel:从重复值清洗到数据可视化

引言

日常工作中,经常需要处理多份 Excel 表格:比如合并销售数据、清洗重复的用户信息,最后生成可视化图表。手动操作不仅效率低,还容易出错。这篇文章分享一套 Python 自动化流程,用pandasmatplotlib搞定从数据清洗到可视化的全流程,附完整代码和避坑指南。

一、环境准备

需要安装的库:

bash 复制代码
pip install pandas openpyxl matplotlib  # openpyxl用于读取xlsx格式

避坑点:如果 Excel 是.xls格式,需额外安装xlrd==1.2.0(高版本不支持 xls)。

二、核心步骤(附代码)
1. 读取并合并多份 Excel 文件

假设文件夹data/下有 3 个销售数据文件(sale1.xlsxsale2.xlsxsale3.xlsx),结构相同(含 "日期""产品""销售额" 列)。

python 复制代码
import pandas as pd
import os

# 读取文件夹下所有Excel
file_dir = "data/"
all_data = []
for file in os.listdir(file_dir):
    if file.endswith(".xlsx"):
        df = pd.read_excel(os.path.join(file_dir, file))
        all_data.append(df)

# 合并为一个DataFrame
merged_df = pd.concat(all_data, ignore_index=True)
print(f"合并后共{len(merged_df)}行数据")
2. 清洗重复值

目标:删除 "产品 + 日期" 完全重复的行(避免重复统计)。

python 复制代码
# 查看重复值数量
print(f"重复值行数:{merged_df.duplicated(subset=['产品', '日期']).sum()}")

# 删除重复值(保留第一行)
cleaned_df = merged_df.drop_duplicates(subset=['产品', '日期'], keep='first')
3. 缺失值处理

如果 "销售额" 列有缺失,用该产品的平均值填充(比直接删除更合理):

python 复制代码
# 按"产品"分组,用组内平均值填充缺失值
cleaned_df['销售额'] = cleaned_df.groupby('产品')['销售额'].transform(
    lambda x: x.fillna(x.mean())
)
4. 数据可视化(生成销量趋势图)

以 "产品 A" 为例,绘制月度销售额折线图:

python 复制代码
import matplotlib.pyplot as plt

# 设置中文显示(避免乱码)
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]

# 筛选产品A的数据,按月份分组求和
product_a = cleaned_df[cleaned_df['产品'] == '产品A']
product_a['月份'] = product_a['日期'].dt.to_period('M')  # 提取月份
monthly_sales = product_a.groupby('月份')['销售额'].sum()

# 绘图
monthly_sales.plot(kind='line', figsize=(10, 6))
plt.title('产品A月度销售额趋势')
plt.xlabel('月份')
plt.ylabel('销售额(元)')
plt.grid(alpha=0.3)
plt.savefig('sales_trend.png', dpi=300)  # 保存图片
plt.show()
三、完整代码总结

将上述步骤整合为一个函数,方便复用:

python 复制代码
def process_excel(file_dir, target_product):
    # 1. 读取合并数据(代码同上)
    # 2. 清洗重复值(代码同上)
    # 3. 处理缺失值(代码同上)
    # 4. 可视化(代码同上)
    return cleaned_df  # 返回处理后的DataFrame

# 调用示例
df = process_excel("data/", "产品A")
四、扩展思考
  • 如果数据量超过 10 万行,建议用dask替代pandas,避免内存溢出;
  • 可视化也可以尝试seaborn,图表更美观(如sns.lineplot())。
  • 你在处理 Excel 时遇到过哪些棘手问题?欢迎留言分享你的解决方案~
相关推荐
万粉变现经纪人2 分钟前
如何解决pip安装报错ModuleNotFoundError: No module named ‘keras’问题
人工智能·python·深度学习·scrapy·pycharm·keras·pip
史锦彪42 分钟前
Pandas 入门:数据分析的得力工具
数据挖掘·数据分析·pandas
java1234_小锋1 小时前
【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts) 视频教程 - 词云图-微博评论词云图实现
python·自然语言处理·flask·nlp·nlp舆情分析
codists1 小时前
《AI-Assisted Programming》读后感
python
爱欲无极2 小时前
基于Flask的微博话题多标签情感分析系统设计
后端·python·flask
F_D_Z2 小时前
conda issue
python·github·conda·issue
越来越无动于衷3 小时前
智慧社区(八)——社区人脸识别出入管理系统设计与实现
java·开发语言·spring boot·python·mysql
LetsonH4 小时前
⭐CVPR2025 MatAnyone:稳定且精细的视频抠图新框架
人工智能·python·深度学习·计算机视觉·音视频
jie*4 小时前
小杰数据结构——题库——拂衣便欲沧海去,但许明月随吾身
数据结构·windows·python