5分钟学会用Python自动化处理Excel表格——零基础实战教程

5分钟学会用Python自动化处理Excel表格——零基础实战教程

每天重复处理Excel表格？数据清洗、格式调整、报表生成占用大量时间？本文教你用Python自动化处理Excel，只需5分钟就能学会基础操作，让你从繁琐的表格工作中解放出来。无需编程基础，跟着步骤操作即可！

一、为什么要用Python处理Excel？

很多朋友可能会问："我Excel用得挺好的，为什么要学Python？"这里有几个让人无法拒绝的理由：

• 效率提升：处理100个表格，手动需要2小时，Python只需2分钟
• 避免错误：人工操作容易出错，程序执行100%准确
• 批量处理：一个脚本处理成百上千个文件
• 定时执行：设置定时任务，每天自动生成报表
• 数据处理能力强：Excel处理10万行数据就卡顿，Python轻松处理百万行

真实案例：我有个朋友在公司负责销售数据统计，每天要从20个分公司的Excel文件中提取数据，合并成一个总表，然后生成各种图表。手动操作需要2-3小时。用了Python后，整个过程只需点击一下，5分钟出结果。她用省下的时间学习了更多数据分析技能，半年后升职加薪。

二、准备工作：安装Python和库

步骤1：安装Python

如果您的电脑还没有Python，请按以下步骤安装：

1. 访问 https://www.python.org/downloads/ 下载最新版Python（推荐Python 3.10或更高版本）
2. 运行安装程序，务必勾选"Add Python to PATH"（非常重要！）
3. 点击"Install Now"，等待安装完成
4. 验证安装：打开命令行（Windows按Win+R，输入cmd），输入 python --version，如果显示版本号说明安装成功

步骤2：安装必要的库

Python处理Excel主要使用两个库：pandas（数据处理）和openpyxl（Excel文件操作）。

在命令行中输入以下命令：

pip install pandas openpyxl

如果安装速度慢，可以使用国内镜像：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pandas openpyxl

三、基础操作：5个最常用的脚本

3.1 读取Excel文件

先从最简单的开始：读取Excel文件并打印内容。

代码示例：

import pandas as pd

# 读取Excel文件
df = pd.read_excel('销售数据.xlsx')

# 打印前5行数据
print(df.head())

# 打印基本信息
print(df.info())

代码解释：

• import pandas as pd：导入pandas库，简写为pd（行业惯例）
• pd.read_excel()：读取Excel文件，参数是文件路径
• df.head()：显示前5行数据，快速查看数据内容
• df.info()：显示数据基本信息（列名、数据类型、非空值数量）

运行结果示例：

   日期      销售额  销售员
0  2026-01-01  5000  张三
1  2026-01-02  6000  李四
2  2026-01-03  4500  王五
3  2026-01-04  7000  张三
4  2026-01-05  5500  李四

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100 entries, 0 to 99
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   日期     100 non-null    datetime64[ns]
 1   销售额    100 non-null    int64
 2   销售员    100 non-null    object
dtypes: datetime64[ns](1), int64(1), object(1)
memory usage: 2.5+ KB

3.2 数据清洗：处理缺失值和重复值

真实数据往往不完美，需要处理缺失值、重复值、异常值等。

代码示例：

# 检查缺失值
print(df.isnull().sum())

# 删除包含缺失值的行
df_clean = df.dropna()

# 或者用默认值填充缺失值
df_filled = df.fillna({'销售额': 0, '销售员': '未知'})

# 删除重复行
df_no_duplicates = df.drop_duplicates()

# 重置索引（删除行后索引会不连续，需要重置）
df_reset = df_no_duplicates.reset_index(drop=True)

常用数据清洗操作：

操作	代码	说明
删除缺失值	df.dropna()	删除任何包含NaN的行
填充缺失值	df.fillna(0)	用0填充所有缺失值
删除重复行	df.drop_duplicates()	删除完全重复的行
重命名列	df.rename(columns={'旧名':'新名'})	修改列名
修改数据类型	df['列名'] = df['列名'].astype('类型')	如转为int、str等

3.3 数据筛选和排序

根据条件筛选数据，或者按某列排序。

代码示例：

# 筛选销售额大于5000的记录
high_sales = df[df['销售额'] > 5000]

# 多条件筛选：销售额>5000且销售员是'张三'
condition = (df['销售额'] > 5000) & (df['销售员'] == '张三')
result = df[condition]

# 排序：按销售额降序
df_sorted = df.sort_values('销售额', ascending=False)

# 多列排序：先按销售员，再按销售额降序
df_sorted2 = df.sort_values(['销售员', '销售额'], ascending=[True, False])

小贴士：

• 多条件筛选时，每个条件要用括号括起来
• & 表示"且"，| 表示"或"，~ 表示"非"
• ascending=True 是升序，False 是降序

3.4 数据分组和聚合

这是数据分析中最强大的功能之一，类似于Excel的数据透视表。

代码示例：

# 按销售员分组，计算销售额总和
sales_by_person = df.groupby('销售员')['销售额'].sum()

# 多个聚合操作：总和、平均值、最大值、最小值
summary = df.groupby('销售员').agg({
    '销售额': ['sum', 'mean', 'max', 'min'],
    '日期': 'count'  # 统计每个销售员的记录数
})

# 重置索引（groupby后销售员变成索引，重置后变回列）
summary_reset = summary.reset_index()

运行结果示例：

销售员
张三    22500
李四    21000
王五    19500
Name: 销售额, dtype: int64

3.5 保存到Excel

处理完数据后，当然要保存结果。

代码示例：

# 保存到新的Excel文件
df.to_excel('处理后的数据.xlsx', index=False)

# 保存到多个sheet
with pd.ExcelWriter('汇总报告.xlsx') as writer:
    df.to_excel(writer, sheet_name='原始数据', index=False)
    summary_reset.to_excel(writer, sheet_name='汇总统计', index=False)
    high_sales.to_excel(writer, sheet_name='高销售额', index=False)

参数说明：

• index=False：不保存行索引（通常我们不需要）
• pd.ExcelWriter：可以写入多个sheet到一个Excel文件

四、实战案例：自动化生成销售报表

现在，让我们用一个完整的案例把前面学的知识串起来。

场景：你每天收到一个销售数据Excel文件，需要：

1. 清洗数据（删除缺失值和重复值）
2. 按销售员统计销售额
3. 找出销售额前10的记录
4. 生成图表
5. 保存为新的Excel文件（包含多个sheet）

完整代码：

import pandas as pd
import matplotlib.pyplot as plt

# 1. 读取数据
df = pd.read_excel('每日销售数据.xlsx')

# 2. 数据清洗
df_clean = df.dropna().drop_duplicates()

# 3. 按销售员统计
sales_summary = df_clean.groupby('销售员')['销售额'].agg(['sum', 'mean', 'count']).reset_index()
sales_summary.columns = ['销售员', '总销售额', '平均销售额', '订单数']

# 4. 找出销售额前10的记录
top10 = df_clean.sort_values('销售额', ascending=False).head(10)

# 5. 生成图表
plt.figure(figsize=(10, 6))
plt.bar(sales_summary['销售员'], sales_summary['总销售额'])
plt.title('各销售员总销售额')
plt.xlabel('销售员')
plt.ylabel('总销售额')
plt.xticks(rotation=45)
plt.tight_layout()
plt.savefig('销售额柱状图.png')

# 6. 保存到Excel
with pd.ExcelWriter('销售报表_' + pd.Timestamp.now().strftime('%Y%m%d') + '.xlsx') as writer:
    df_clean.to_excel(writer, sheet_name='清洗后数据', index=False)
    sales_summary.to_excel(writer, sheet_name='销售汇总', index=False)
    top10.to_excel(writer, sheet_name='销售额TOP10', index=False)

print('报表生成完成！')

代码解释：

• pd.Timestamp.now().strftime('%Y%m%d')：获取当前日期，格式化为YYYYMMDD，用于文件名
• plt.savefig()：保存图表为图片
• 整个脚本只需运行一次，就能完成所有工作

五、进阶技巧：让脚本更强大

5.1 批量处理多个Excel文件

如果有成百上千个Excel文件需要处理，可以用以下方法：

import os

# 获取文件夹中所有Excel文件
folder_path = './销售数据/'
excel_files = [f for f in os.listdir(folder_path) if f.endswith('.xlsx')]

# 批量读取和处理
all_data = []
for file in excel_files:
    df = pd.read_excel(folder_path + file)
    all_data.APPend(df)

# 合并所有数据
combined_df = pd.concat(all_data, ignore_index=True)

# 后续处理...

5.2 自动发送邮件

处理完数据后，自动发送邮件给相关人员：

import smtplib
from emAIl.mime.multipart import MIMEMultipart
from email.mime.text import MIMEText
from email.mime.application import MIMEApplication

def send_email(receiver, subject, body, attachment_path):
    # 邮件设置（以QQ邮箱为例）
    sender = '你的邮箱@qq.com'
    passWOrd = '邮箱授权码'  # 不是邮箱密码，是授权码
    
    # 创建邮件
    msg = MIMEMultipart()
    msg['From'] = sender
    msg['To'] = receiver
    msg['Subject'] = subject
    
    # 邮件正文
    msg.attach(MIMEText(body, 'plain', 'utf-8'))
    
    # 添加附件
    with open(attachment_path, 'rb') as f:
        attachment = MIMEApplication(f.read())
        attachment.add_header('Content-Disposition', 'attachment', filename=os.path.basename(attachment_path))
        msg.attach(attachment)
    
    # 发送邮件
    server = smtplib.SMTP('smtp.qq.com', 587)
    server.starttls()
    server.login(sender, password)
    server.send_message(msg)
    server.quit()

# 使用示例
send_email(
    receiver='boss@company.com',
    subject='每日销售报表',
    body='请查收附件中的销售报表，如有问题请及时反馈。',
    attachment_path='销售报表_20260128.xlsx'
)

5.3 设置定时任务

让脚本每天自动运行：

Windows设置方法：

1. 打开"任务计划程序"（搜索taskschd.msc）
2. 点击"创建基本任务"
3. 设置触发器（如"每天上午9点"）
4. 操作选择"启动程序"
5. 程序或脚本：C:\Python\python.exe
6. 参数：C:\脚本\自动处理Excel.py
7. 完成设置

Linux/Mac设置方法：

使用Crontab：

# 编辑crontab
crontab -e

# 添加以下行（每天上午9点运行）
0 9 * * * /usr/bin/python3 /home/user/脚本/自动处理Excel.py

六、常见问题解答

Q1：读取Excel时报错"FileNotFoundError"怎么办？

原因：文件路径不正确。

解决方法：

• 使用绝对路径：pd.read_excel('C:/用户/文档/数据.xlsx')
• 或者将Python脚本和Excel文件放在同一个文件夹
• 注意Windows路径要用斜杠/或双反斜杠\\

Q2：中文显示乱码怎么办？

读取时指定编码：

df = pd.read_excel('数据.xlsx', encoding='utf-8')

保存时指定编码：

df.to_excel('输出.xlsx', index=False, encoding='utf-8')

Q3：如何处理大型Excel文件（超过100MB）？

方法1：分块读取

chunk_size = 10000
for chunk in pd.read_excel('大文件.xlsx', chunksize=chunk_size):
    # 处理每个chunk
    process(chunk)

方法2：使用openpyxl的read_only模式

from openpyxl import load_workbook

wb = load_workbook('大文件.xlsx', read_only=True)
ws = wb.active

for row in ws.iter_rows(values_only=True):
    # 处理每一行
    print(row)

Q4：Excel中的公式如何处理？

pandas读取的是公式计算后的值，如果需要保留公式，使用openpyxl：

from openpyxl import load_workbook

wb = load_workbook('带公式的表格.xlsx')
ws = wb.active

# 读取公式
print(ws['A1'].value)  # 可能输出：'=SUM(B1:B10)'

# 修改公式
ws['A1'] = '=AVERAGE(B1:B10)'

wb.save('修改后的表格.xlsx')

七、学习资源推荐

想要更深入地学习Python数据处理，推荐以下资源：

在线教程：

• pandas官方文档：https://pandas.pydata.org/docs/ - 最权威的参考资料
• 菜鸟教程：https://www.runoob.com/pandas/pandas-tutorial.html - 中文入门教程
• 莫烦Python：https://mofanpy.com/ - 视频+文字教程

书籍推荐：

• 《利用Python进行数据分析》（第2版）—— pandas作者写的，必读经典
• 《Python数据科学手册》—— 全面介绍Python数据科学生态
• 《Excel Python编程快速上手》—— 专门针对Excel自动化

实战练习：

• Kaggle：https://www.kaggle.com/ - 数据科学竞赛平台，有大量真实数据集
• 天池：https://tianchi.aliyun.com/ - 阿里云的数据竞赛平台

八、总结：从手动到自动的跨越

通过本文，你已经学会了：

• ✅ 用Python读取和写入Excel文件
• ✅ 数据清洗的基本操作
• ✅ 数据筛选、排序、分组和聚合
• ✅ 批量处理多个文件
• ✅ 自动生成报表和图表
• ✅ 设置定时任务，实现完全自动化

下一步行动：

1. 下载本文的示例代码，自己运行一遍
2. 用自己的Excel文件试试这些操作
3. 想一个你日常工作中可以自动化的Excel任务
4. 尝试写出脚本，遇到问题就查文档或搜索

记住：编程不是计算机专业人员的专利，而是每个现代职场人都应该掌握的基本技能。就像20年前大家都要学用Excel一样，现在和将来，Python会成为职场必备技能。

从一个简单的Excel自动化脚本开始，你就在"AI时代保持竞争力"的道路上迈出了坚实的一步。

关注格熊，持续分享最新免费资源！如果你在实践过程中遇到任何问题，欢迎在评论区留言，我会尽力解答。也欢迎分享你的自动化案例，让更多人受益。下期我们将介绍"用Python自动处理Word文档"，敬请期待！