用Python处理Excel，3小时的工作量3秒就能搞定

下午三点，当一份包含上百个文件的销售数据统计任务突然摆到面前，并且要求“下班前交活儿”时，那种熟悉的窒息感是不是又回来了？

接下来的流程几乎可以预判：机械地打开第一个文件，复制、粘贴、求和……重复到第50次时，大脑已经一片空白。

这种场景，恐怕每位职场人都心有戚戚：每天被枯燥的表格格式调整、数据填报和结果汇总所淹没；耗费数小时手动操作，眼睛酸痛不说，最后还容易出错；而当你还在埋头苦干时，隔壁的同事早已收拾妥当，准时打卡下班。

是时候停止这种低效的自我消耗了。

借助Python，那些动辄数小时的Excel重复性工作，完全有可能在几秒钟内自动完成。下面，我们就来系统地看看，如何用Python实现Excel的自动化处理，真正让你解放双手，高效办公。

一、引言：为什么你还在手动改Excel？

下午3点，领导扔给你100个Excel文件：“把这些销售数据统计一下，下班前给我。”

你深吸一口气，打开第一个文件，复制、粘贴、求和... 重复了第50次后，你开始怀疑人生。

这种场景是不是很眼熟？

• 每天要重复处理同样的表格，改格式、填数据、汇总结果
• 手动复制粘贴改了3小时，眼睛都花了，结果还tm报错
• 同事准时下班摸鱼，你还在苦逼地改表格

别再折磨自己了！

用Python处理Excel，3小时的工作量3秒就能搞定。今天小甲鱼就手把手教你，用Python实现Excel自动化处理，让你准时下班！

二、正文

1. 环境准备：两个库搞定一切

要让Python与Excel对话，其实只需两个核心库就足够了。

pip install openpyxl pandas

• openpyxl：专门用于读写.xlsx格式的Excel文件，性能出色，功能全面，尤其擅长处理单元格格式。
• pandas：数据分析领域的“瑞士军刀”，在进行数据汇总、筛选和分析时堪称神器。

对了，如果你的数据源是旧版的.xls格式文件，那么可能需要额外安装 xlrd 和 xlwt 这两个库来兼容。

2. 读取Excel：一行代码搞定

还在一个个双击文件图标？读取Excel文件，在Python里真正可以做到一行代码完成。

import pandas as pd

# 读取Excel文件
df = pd.read_excel('销售数据.xlsx')
print(df.head())  # 查看前5行
print(df.shape)   # 查看数据规模

如果需要读取特定的工作表，或者一次性读取多个表，方法同样直观：

# 读取指定Sheet
df = pd.read_excel('销售数据.xlsx', sheet_name='2024年1月')

# 一次性读取多个Sheet，返回一个字典
df_dict = pd.read_excel('销售数据.xlsx', sheet_name=['Sheet1', 'Sheet2'])

3. 写入Excel：想怎么写就怎么写

数据处理完毕，如何优雅地存回Excel？方法和读取一样简洁。

import pandas as pd

# 假设我们生成了处理后的数据
data = {
    '姓名': ['张三', '李四', '王五'],
    '销售额': [10000, 25000, 18000],
    '提成': [1000, 2500, 1800]
}
df = pd.DataFrame(data)

# 保存到Excel，不保存索引，并指定工作表名称
df.to_excel('员工提成表.xlsx', index=False, sheet_name='提成明细')
print(“保存成功！”)

如果想把多个数据框写入同一个Excel文件的不同工作表，可以这样做：

with pd.ExcelWriter('汇总表.xlsx') as writer:
    df1.to_excel(writer, sheet_name=‘1月’, index=False)
    df2.to_excel(writer, sheet_name=‘2月’, index=False)

4. 实战场景：批量处理100个文件

批量处理，才是自动化的精髓所在。想象一下，有一百个销售数据文件需要分别计算总额，手动操作简直不敢想。但用Python，不过是一个循环的事儿。

import pandas as pd
import os
from pathlib import Path

# 获取当前目录下所有xlsx文件
files = list(Path('.').glob(‘*.xlsx’))
results = []

for file in files:
    try:
        df = pd.read_excel(file)
        # 假设销售额列名叫“销售额”
        total = df[‘销售额'].sum()
        results.append({
            ‘文件名': file.name,
            ‘销售总额': total
        })
        print(f”✓ {file.name} 处理完成，总额： {total}”)
    except Exception as e:
        print(f”✗ {file.name} 处理失败： {e}”)

# 将汇总结果保存为新的Excel
result_df = pd.DataFrame(results)
result_df.to_excel(‘汇总结果.xlsx’, index=False)
print(“\n? 全部处理完成！汇总结果已保存”)

运行这段代码后，控制台会清晰地展示处理进度：

✓ 1月销售.xlsx 处理完成，总额： 150000
✓ 2月销售.xlsx 处理完成，总额： 180000
✓ 3月销售.xlsx 处理完成，总额： 165000
? 全部处理完成！汇总结果已保存

5. 进阶技巧：数据清洗一步到位

现实中的数据往往杂乱无章，充斥着空值、重复项和错误格式。别担心，这些清洗工作也能一站式完成。

import pandas as pd

df = pd.read_excel(‘原始数据.xlsx’)

# 1. 删除完全重复的行
df = df.drop_duplicates()

# 2. 填充空值，例如将销售额的空值填为0
df[‘销售额'] = df[‘销售额'].fillna(0)

# 3. 筛选符合条件的行，比如只看销售额大于1000的
df = df[df[‘销售额'] > 1000]

# 4. 按条件分组汇总，例如按部门统计销售额总计
summary = df.groupby(‘部门')[‘销售额'].sum().reset_index()

# 5. 保存清洗后的结果
summary.to_excel(‘清洗后数据.xlsx’, index=False)
print(“数据清洗完成！”)

6. 格式设置：让Excel更好看

用pandas直接导出的表格可能略显朴素。想让报表看起来更专业、更美观，就需要请出openpyxl来设置格式了。

import pandas as pd
from openpyxl import load_workbook
from openpyxl.styles import Font, PatternFill, Alignment

# 先用pandas处理并保存数据
df = pd.read_excel(‘销售数据.xlsx’)
df.to_excel(‘处理后.xlsx’, index=False)

# 再用openpyxl加载文件，设置格式
wb = load_workbook(‘处理后.xlsx’)
ws = wb.active

# 设置表头样式 - 蓝色背景加粗体白字
header_fill = PatternFill(start_color=‘4472C4’, end_color=‘4472C4’, fill_type=‘solid’)
header_font = Font(bold=True, color=‘FFFFFF’)
for cell in ws[1]:  # 第一行是表头
    cell.fill = header_fill
    cell.font = header_font
    cell.alignment = Alignment(horizontal=‘center’)

# 自动调整所有列的宽度，使内容完全显示
for column in ws.columns:
    max_length = 0
    column_letter = column[0].column_letter
    for cell in column:
        try:
            if len(str(cell.value)) > max_length:
                max_length = len(str(cell.value))
        except:
            pass
    adjusted_width = (max_length + 2) * 1.2
    ws.column_dimensions[column_letter].width = adjusted_width

wb.save(‘格式化后.xlsx’)
print(“格式设置完成，文件已保存！”)

三、总结

回顾一下今天梳理的核心技能：

• 读取Excel - 一个 pd.read_excel() 函数即可打开数据世界。
• 写入Excel - 通过 df.to_excel()，可以灵活地将数据持久化保存。
• 批量处理 - 利用循环结构，轻松实现海量文件的自动化操作。
• 数据清洗 - 删除重复值、填充空值、筛选与分组，化杂乱为整洁。
• 格式美化 - 结合openpyxl，让输出的表格兼具专业性和可读性。

说到底，用Python处理Excel的核心逻辑就是把那些重复、繁琐且易错的操作，封装成简短可靠的代码。将时间从无效的重复劳动中解放出来，这才是提升工作效率的关键。