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pandas
和matplotlib
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
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.xlsx
、sale2.xlsx
、sale3.xlsx
),结构相同(含 "日期""产品""销售额" 列)。
python
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
# 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
# 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
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
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~