你是否也遇到过这样的场景：有一份Excel工作簿，里面有若干张工作表，每张工作表某一列保存着许多数据，需要按固定数量对这列数据按指定分隔符进行合并。手动来完成的话，效率不仅低下，还很容易出现错误，甚至造成不必要的麻烦。今天就分享一段极简的Python代码，教你如何自动识别工作表名称，工作表名称中的数字，一键实现指定数量单元格的合并。import pandas as pdimport repath = r"E:\序列号.xlsx"dfs = pd.read_excel(path,sheet_name=None,header=None)for sht,df in dfs.items(): if m:= re.match(r"\d+",sht): num = int(m.group()) data_list = df.iloc[:,0].dropna().astype(str).tolist() if not data_list: print(f"工作表{sht}无数据，已跳过") continue result = [] for i in range(0,len(data_list),num): group = data_list[i:i+num] merged = " ".join(group) result.append(merged) output_path = rf"E:\序列号_{num}.xlsx" output_xlsx = pd.DataFrame({'结果':result}) output_xlsx.to_excel(output_path,index=False)
- 动态加载所有工作表：一次性读取Excel文件中所有的工作表。
- 智能分析工作表名称：利用正则表达式提取工作表名称中的数字，将提取到的数字作为需要合并单元格的数量，若单元格数量为空，则自动跳过。
- 批量提取指定数量单元格并写入列表：依次提取指定数量的单元格，合并后写入新的列表。
- 批量输出：处理完成后，指明合并的固定数量，最后自动保存为新的Excel文件。
1、读取所有Excel工作表
dfs = pd.read_excel(path,sheet_name=None,header=None)
- sheet_name=None：当值为None时，表示读取所有工作表。pandas会返回一个字典，键是工作表名，值是DataFrame数据。
2、提取所有工作表名称中的数字
for sht,df in dfs.items(): if m:= re.match(r"\d+",sht): num = int(m.group())
- r"\d+"：表示匹配所有数字。\d可以匹配0-9中任意一个数字，+表示一个或多个。
- re.match：表示从工作表名称开头开始匹配。如果数字在中间，可以修改为re.search。
- int(m.group())：m.group()为匹配的结果，再使用int()将其转换为数值类型。
3、提取第一列数据并清洗
data_list = df.iloc[:,0].dropna().astype(str).tolist()
- df.iloc[:,0]：表示第一列数据，索引从0开始。
- .astype(str)：转换为字符串，防止数字被误处理。
4、按指定大小分组合并
result = [] for i in range(0,len(data_list),num): group = data_list[i:i+num] merged = " ".join(group) result.append(merged)
- range(0,len(data_list),num)：表示从0开始，到len(data_list)结束（不包含），步长为num。在这里，使用range函数可以实现每次跳跃num个数据，配合列表切片data_list[i:i+num]可以轻松实现分组数据的打包。
- merged =" ".join(group)：把分组数据按指定要求的分隔符进行合并，这里使用的分隔符为空格。
- result.append(merged)：添加到result列表。
5、保存为新的Excel文件
output_path = rf"E:\序列号_{num}.xlsx" output_xlsx = pd.DataFrame({'结果':result}) output_xlsx.to_excel(output_path,index=False)
- 将按固定长度生成的数据保存为单独的工作表，工作表名称包含固定分组的数字，方便查找核对和使用。
这段代码可以将一列数据按固定长度进行分行展示，适合任何需要将固定多行转为一行的批量处理任务，可以实现用最少的代码，解决最繁琐的重复劳动。以后遇到类似的合并需求，只需要修改文件路径和分组规则，几秒钟就能搞定。如果你觉得今天的分享对你有所帮助，欢迎收藏+点赞+转发！
