很多零基础读者一听到 Python，就会有一种压力：
是不是要先学很多语法？
是不是要背各种函数？
是不是要买一本厚厚的 Python 教材？
是不是要学完爬虫、算法、数据库、机器学习，才能开始分析电力数据？
答案是：
不用。
至少在《Python电力交易》这个系列里，我们不走“先学完 Python，再学业务”的路线。
我们走的是：
用到什么，学什么。学一点，马上放到电力数据场景里用。
因为你的目标不是参加编程考试。
你的目标是解决电力交易相关的数据问题。
比如：
读取一张电价表。
筛选高价时段。
计算平均电价。
找出最高电价。
画出电价趋势图。
把一份 Excel 结果导出来。
这些任务并不需要你一开始掌握特别复杂的编程能力。
你只需要先学会几个核心工具。
这就是本章标题里的意思：
够用就好，不做无用功。
如果你是零基础读者，这一章不用追求一次性理解所有 Python 语法。
本章只要求你完成三件事：
1.看懂变量、条件判断和循环的基本作用；
2.用 Pandas 读取一份电价数据；
3.用 Matplotlib 画出第一张电价趋势图。
文末我准备了第3章配套资料包，包括完整代码、示例电价数据、运行说明、Python基础语法速查表和电价分析模板说明。
建议先收藏本文，再跟着资料包跑一遍。
一、Python 在电力交易里到底干什么？
Python 在电力交易数据分析中的作用，可以先理解为三个字：
帮你算。
再多说一点，就是：
帮你批量、稳定、可复用地处理电力数据。
比如你手里有一张电价表。
Excel 当然也能打开。
但如果你要反复做这些事情：
每天读取一次电价数据；
每月统计一次平均电价；
每次找出高价时段；
每次把结果画成趋势图；
每次输出一份表格；
那么 Python 就会很有价值。
因为 Python 可以把这些步骤写成代码。
只要数据格式差不多，后面就能重复运行。
这就是为什么我们要学 Python。
不是为了炫技。
不是为了写复杂模型。
而是为了把重复的电力数据工作自动化。
二、Python核心基础：先掌握这4个概念
这一节我们只讲四个基础概念：
变量。
数据类型。
条件判断。
循环。
这四个概念，足够支撑你理解很多入门代码。
1. 变量：给数据起一个名字
变量可以理解为：
用一个名字保存一个数据。
比如我们要保存一个电价：
price_yuan_per_kwh = 0.75
这行代码的意思是：
把 0.75 这个数，保存到 price_yuan_per_kwh 这个名字里。
在电力交易场景里，变量可以这样用：
price_yuan_per_kwh = 0.75# 电价，单位：元/kWhenergy_kwh = 100# 电量，单位：kWhcost_yuan = price_yuan_per_kwh * energy_kwh
这里：
price_yuan_per_kwh 表示电价，单位是元/kWh。
energy_kwh 表示电量，单位是 kWh。
cost_yuan 表示电费，单位是元。
最基础的计算逻辑就是：
电费 = 电价 × 电量
对应到 Python 里就是：
cost_yuan = price_yuan_per_kwh * energy_kwh
这就是变量的作用。
它让数据有了名字，也让计算过程更容易看懂。
2. 数据类型：不同数据有不同样子
Python 里的数据有不同类型。
你现在先记住三种就够了。
第一种是数字。
比如：
price_yuan_per_kwh = 0.75load_kw = 500
第二种是文本。
比如：
time = "08:00"province = "广东"
第三种是列表。
比如：
prices = [0.32, 0.68, 0.92, 0.75]
列表可以理解为：
一组数据排成一队。
在电力数据里，列表很常见。
比如一天中几个时段的电价：
prices = [0.32, 0.68, 0.92, 0.75]
一天中几个时段的负荷：
loads = [320, 520, 760, 430]
后面我们会用 Pandas 处理更正式的表格数据。
但在理解代码时，你先知道这些基础类型就够了。
3. 条件判断：如果电价高，就提醒我
条件判断可以理解为：
如果满足某个条件，就执行某个动作。
比如：
price_yuan_per_kwh = 0.92if price_yuan_per_kwh > 0.8: print("这是一个较高电价时段")
这段代码的意思是：
如果电价大于 0.8 元/kWh，就打印提醒。
在电力交易场景中，条件判断很常见。
比如：
如果电价高于某个阈值，就标记为高价时段。
如果负荷超过某个数值，就标记为高负荷时段。
如果峰谷价差大于某个水平，就进一步分析储能可能性。
当然，本书前期不会直接做交易决策。
我们只是先学习如何用代码识别数据特征。
4. 循环：对很多条数据重复做同一件事
循环可以理解为：
对一组数据，一条一条处理。
比如我们有一组电价：
prices = [0.32, 0.68, 0.92, 0.75]
现在想把每个电价都打印出来：
for price in prices: print(price)
这段代码的意思是：
从 prices 里面一个一个取出电价，并打印出来。
如果我们想找出高价时段，可以这样写：
for price in prices:if price > 0.8: print("发现高价：", price)
这里就同时用到了循环和条件判断。
在电力数据分析里，很多工作本质上都是循环：
对每小时电价进行计算。
对每天负荷进行统计。
对每个用户计算电费。
对每个月数据生成报表。
所以循环非常重要。
但你不用怕。
后面我们会用 Pandas 处理大部分表格计算，很多时候不需要自己写复杂循环。
三、核心工具库入门：Pandas
前面讲的变量、条件、循环，是 Python 的基础能力。
但真正处理电力数据时，我们通常会遇到表格。
比如：
电价表、负荷表、用户清单、电费明细、现货价格表、中长期交易结果表。
这些表格可能是 CSV，也可能是 Excel。
这时候就需要 Pandas。
你可以先把 Pandas 理解为：
Python 里的表格处理工具。
它能做很多 Excel 能做的事情，比如：
读取表格、查看前几行、筛选数据、计算平均值、找最大值和最小值、新增一列、导出结果。
本章我们只用它做三件事：
1.读取电价数据
2.打印数据
3.筛选高价时段。
四、核心工具库入门：Matplotlib
如果说 Pandas 负责处理表格，那么 Matplotlib 就负责画图。
你可以先把 Matplotlib 理解为：
Python 里的基础画图工具。
在电力交易数据分析中，画图非常重要。
因为电力数据通常有明显的时间特征。
比如：
一天 24 小时电价变化。
一天 96 点负荷曲线。
一个月现货电价波动。
工作日和周末用电差异。
峰时、平时、谷时电价对比。
如果只看数字，很容易看不出变化。
但画成图之后，很多问题会直观很多。
本章我们先画一张最简单的电价趋势图。
只要能看到电价在不同时段的变化，就已经完成了第一步。
五、本章实操：读取电价数据，绘制简单趋势图
接下来进入实操。
本章案例要做的事情很简单：
注意：
本章数据是教学用模拟数据，不代表任何省份真实电价，也不代表现货价格、零售价格或结算价格。
示例数据说明
我们准备一份名为price_data.csv的 CSV 文件。
内容如下：
time,price_yuan_per_kwh00:00,0.3204:00,0.3508:00,0.6810:00,0.8212:00,0.9514:00,0.9216:00,0.7818:00,0.8820:00,0.7522:00,0.45
这份数据表示某个教学场景中，一天内不同时段的电价。
为了降低新手出错概率，本章代码会自动创建这份 CSV 文件。
也就是说，你只需要复制代码运行即可。
如果文件不存在，代码会自动生成示例数据。
如果文件已经存在，代码会直接读取已有文件。
建议把代码文件放在一个简单的英文路径中，例如：
D:\python_power_trade\chapter03
这样可以减少中文路径、空格路径、压缩包目录、微信下载目录带来的排查困难。
Python完整代码
本章需要用到两个库：pandas 和 matplotlib。
如果你还没有安装，可以在命令行输入：
python -m pip install pandas matplotlib
如果 Windows 上 python 命令不生效，可以尝试：
py -m pip install pandas matplotlib
如果你使用国内网络环境，下载比较慢，可以使用：
python -m pip install pandas matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple
或者：
py -m pip install pandas matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple
请新建一个 Python 文件：
chapter03_price_trend.py
下面这段代码不需要你一行一行全部背下来。
第3章的目标只有一个：
用 Python 读取电价数据，并画出一张最简单的电价趋势图。
如果你不想手动整理文件，可以在文末私信关键词
电力Python03
领取本章资料包，里面已经准备好代码、示例数据和运行说明。
然后复制下面完整代码：
# -*- coding: utf-8 -*-# 第3章实操：读取电价数据，绘制简单电价趋势图# 说明：# 1. 本案例使用教学用模拟数据，不代表任何省份真实电价或交易规则# 2. 本案例仅用于 Python 数据分析学习，不构成交易建议或经营决策依据from pathlib import Pathimport pandas as pdimport matplotlib.pyplot as pltprint("=== Python电力交易第3章：读取电价数据并绘制趋势图 ===")# 1. 找到当前 Python 文件所在的文件夹current_folder = Path(__file__).resolve().parent# 2. 设置 CSV 文件路径和图片保存路径csv_file = current_folder / "price_data.csv"chart_file = current_folder / "price_trend.png"# 3. 如果 CSV 文件不存在，就自动创建一份教学用模拟数据ifnot csv_file.exists(): sample_data = {"time": ["00:00", "04:00", "08:00", "10:00", "12:00","14:00", "16:00", "18:00", "20:00", "22:00" ],"price_yuan_per_kwh": [0.32, 0.35, 0.68, 0.82, 0.95,0.92, 0.78, 0.88, 0.75, 0.45 ], } sample_df = pd.DataFrame(sample_data) sample_df.to_csv(csv_file, index=False, encoding="utf-8-sig") print(f"\n未发现 {csv_file.name}，已自动创建教学用模拟数据文件。")else: print(f"\n已发现 {csv_file.name}，将直接读取该文件。")# 4. 读取电价数据df = pd.read_csv(csv_file)# 5. 检查必要字段是否存在required_columns = ["time", "price_yuan_per_kwh"]for column in required_columns:if column notin df.columns:raise ValueError(f"CSV 文件中缺少必要字段：{column}")# 6. 确保电价列是数字，方便后面统计和绘图df["price_yuan_per_kwh"] = pd.to_numeric(df["price_yuan_per_kwh"])# 7. 打印完整数据print("\n原始电价数据：")print(df)# 8. 计算基础统计指标max_price = df["price_yuan_per_kwh"].max()min_price = df["price_yuan_per_kwh"].min()avg_price = df["price_yuan_per_kwh"].mean()print("\n电价统计结果：")print(f"最高电价：{max_price:.2f} 元/kWh")print(f"最低电价：{min_price:.2f} 元/kWh")print(f"平均电价：{avg_price:.2f} 元/kWh")# 9. 筛选高价时段# 这里设置一个教学用阈值：电价大于 0.80 元/kWh，就标记为高价时段high_price_df = df[df["price_yuan_per_kwh"] > 0.80]print("\n高价时段：")print(high_price_df)# 10. 绘制电价趋势图plt.figure(figsize=(9, 5))plt.plot( df["time"], df["price_yuan_per_kwh"], marker="o")plt.title("Electricity Price Trend")plt.xlabel("Time")plt.ylabel("Price (Yuan/kWh)")plt.grid(True)plt.tight_layout()# 11. 保存图片plt.savefig(chart_file, dpi=150)print(f"\n电价趋势图已保存为：{chart_file.name}")# 12. 显示图片plt.show()print("\n恭喜你，已经成功读取电价数据，并绘制出第一张电价趋势图！")
代码解释
1. 文件编码声明
# -*- coding: utf-8 -*-
这一行表示代码文件使用 UTF-8 编码。
现在大多数新版编辑器默认支持 UTF-8，所以这行通常不是必须的。
但对零基础读者来说，保留这一行可以减少少数电脑上中文乱码的概率。
2. 导入工具库
from pathlib import Pathimport pandas as pdimport matplotlib.pyplot as plt
这里导入了三个工具。
pathlib 是 Python 自带的路径处理工具，用来帮助程序找到文件位置。
pandas 用来读取和处理表格数据。
matplotlib.pyplot 用来画图。
其中：
import pandas as pd
意思是把 pandas 简写成 pd。
这是数据分析中非常常见的写法。
import matplotlib.pyplot as plt
意思是把画图工具简写成 plt。
你现在不用背，只要先照着写。
3. 找到当前代码文件所在文件夹
current_folder = Path(__file__).resolve().parent
这行代码的意思是：
找到当前这个 Python 文件所在的文件夹。
为什么要这样写？
因为很多新手会遇到一个问题：
明明 CSV 文件和 Python 文件放在同一个文件夹里，但运行时还是提示找不到文件。
原因通常是：
Python 当前运行位置，和代码文件实际所在位置不一致。
使用这一行代码后，程序会从“当前 Python 文件所在文件夹”去生成和读取 CSV 文件，路径更稳定。
4. 设置 CSV 文件和图片文件路径
csv_file = current_folder / "price_data.csv"chart_file = current_folder / "price_trend.png"
这两行代码表示：
price_data.csv 会生成或读取在当前 Python 文件所在文件夹中。
price_trend.png 也会保存到当前 Python 文件所在文件夹中。
也就是说，代码运行后，你可以在同一个文件夹里看到：
chapter03_price_trend.pyprice_data.csvprice_trend.png
这样对新手更友好，不容易找不到文件。
5. 自动创建模拟数据
ifnot csv_file.exists():
这行代码的意思是：
如果当前文件夹里没有 price_data.csv，就执行下面的代码，自动创建一份教学用模拟数据。
下面这段就是创建教学用模拟数据：
sample_data = {"time": ["00:00", "04:00", "08:00", "10:00", "12:00","14:00", "16:00", "18:00", "20:00", "22:00" ],"price_yuan_per_kwh": [0.32, 0.35, 0.68, 0.82, 0.95,0.92, 0.78, 0.88, 0.75, 0.45 ],}
你可以把它理解成一张小表格。
有两列：
time：时间。
price_yuan_per_kwh：电价，单位是元/kWh。
然后这两行代码把它变成表格并保存为 CSV 文件：
sample_df = pd.DataFrame(sample_data)sample_df.to_csv(csv_file, index=False, encoding="utf-8-sig")
其中：
pd.DataFrame() 表示创建一张表。
to_csv() 表示把表保存成 CSV 文件。
index=False 表示不要把行号保存进去。
encoding="utf-8-sig" 是为了让部分电脑用 Excel 打开 CSV 时，不容易出现中文乱码。
6. 读取电价数据
df = pd.read_csv(csv_file)
这行代码的意思是：
用 Pandas 读取 price_data.csv 文件，并把它保存到 df 里。
df 是 DataFrame 的缩写。
可以先理解为：Python 里的表格。
7. 检查必要字段是否存在
required_columns = ["time", "price_yuan_per_kwh"]for column in required_columns:if column notin df.columns:raise ValueError(f"CSV 文件中缺少必要字段：{column}")
这段代码的意思是：
检查 CSV 文件里是否有 time 和 price_yuan_per_kwh 这两列。
如果缺少某一列，程序会主动报错，并提示缺少哪个字段。
这样比直接出现 KeyError 更适合新手理解。
比如你把表头写成：
time,price
程序就会提示缺少：
price_yuan_per_kwh
本章为了降低难度，建议先完全使用示例表头：
time,price_yuan_per_kwh
8. 确保电价列是数字
df["price_yuan_per_kwh"] = pd.to_numeric(df["price_yuan_per_kwh"])
这行代码的意思是：
把 price_yuan_per_kwh 这一列转换成数字。
为什么要转换？
因为 CSV 文件里的内容有时看起来是数字，但读入 Python 后可能被当成文本。
如果电价列不是数字，后面计算最高、最低、平均电价时，就可能出错。
所以在正式统计前，先确认它是数字，是一个比较好的习惯。
9. 打印原始电价数据
print(df)
这行代码会把表格打印出来。
你会看到类似结果：
time price_yuan_per_kwh0 00:00 0.321 04:00 0.352 08:00 0.683 10:00 0.824 12:00 0.955 14:00 0.926 16:00 0.787 18:00 0.888 20:00 0.759 22:00 0.45
左边的 0、1、2、3 是行号。
真正的数据是 time 和 price_yuan_per_kwh 两列。
10. 计算最高、最低、平均电价
max_price = df["price_yuan_per_kwh"].max()min_price = df["price_yuan_per_kwh"].min()avg_price = df["price_yuan_per_kwh"].mean()
这三行代码分别表示：
从 price_yuan_per_kwh 这一列里找最高电价。
从 price_yuan_per_kwh 这一列里找最低电价。
计算 price_yuan_per_kwh 这一列的平均值。
这就是 Pandas 非常方便的地方。
你不用自己一条一条手工算。
只要指定列名，就可以直接统计。
11. 筛选高价时段
high_price_df = df[df["price_yuan_per_kwh"] > 0.80]
这行代码的意思是：
从整张表里筛选出 price_yuan_per_kwh 大于 0.80 的行。
在本案例中，电价大于 0.80 元/kWh 的时段会被筛选出来。
注意：
这里的 0.80 只是教学用阈值。
真实业务中，什么算“高价”，要结合具体省份、具体电价类型、具体用户场景、历史价格水平来判断，不能简单套用。
12. 绘制电价趋势图
plt.plot( df["time"], df["price_yuan_per_kwh"], marker="o")
这段代码表示：
横轴使用 time。
纵轴使用 price_yuan_per_kwh。
marker="o" 表示每个数据点用圆点标出来。
下面几行代码是给图表加标题和坐标轴名称：
plt.title("Electricity Price Trend")plt.xlabel("Time")plt.ylabel("Price (Yuan/kWh)")
这里标题使用英文，是为了尽量避免部分电脑出现 Matplotlib 中文字体乱码。
后面我们会专门讲如何设置中文字体。
13. 保存图片
plt.savefig(chart_file, dpi=150)
这行代码会把图表保存为：
price_trend.png
也就是说，代码运行结束后，你的代码文件夹里会多出一张图片。
这张图片就是本章的电价趋势图。
运行结果说明
运行代码后，你大概率会看到类似输出：
=== Python电力交易第3章：读取电价数据并绘制趋势图 ===未发现 price_data.csv，已自动创建教学用模拟数据文件。原始电价数据： time price_yuan_per_kwh0 00:00 0.321 04:00 0.352 08:00 0.683 10:00 0.824 12:00 0.955 14:00 0.926 16:00 0.787 18:00 0.888 20:00 0.759 22:00 0.45电价统计结果：最高电价：0.95 元/kWh最低电价：0.32 元/kWh平均电价：0.69 元/kWh高价时段： time price_yuan_per_kwh3 10:00 0.824 12:00 0.955 14:00 0.927 18:00 0.88电价趋势图已保存为：price_trend.png恭喜你，已经成功读取电价数据，并绘制出第一张电价趋势图！
同时，你会看到一个图表窗口弹出。
代码所在文件夹中，也会出现两个文件：
price_data.csvprice_trend.png
这说明你已经完成了本章的目标：
读取电价数据。
打印电价表。
统计最高、最低、平均电价。
筛选高价时段。
画出电价趋势图。
对于零基础读者来说，这已经是非常关键的一步。
因为后面所有复杂分析，都是从这些基础动作扩展出来的。
本章小练习
练习1：修改高价判断阈值
把代码中的：
high_price_df = df[df["price_yuan_per_kwh"] > 0.80]
改成：
high_price_df = df[df["price_yuan_per_kwh"] > 0.70]
重新运行代码。
观察高价时段数量是否变多。
思考：
为什么阈值降低后，高价时段会变多？
练习2：新增两个电价时段
打开自动生成的 price_data.csv，在最后新增两行：
23:00,0.4023:30,0.36
重新运行代码。
观察：
最低电价有没有变化？
平均电价有没有变化？
图表横轴有没有增加新的时点？
注意：
这里不建议写 24:00。
因为在本章里时间只是文本，写 24:00 不一定会立刻报错；但后续如果用 Python 做正式时间处理，24:00 很可能带来解析问题。
练习3：找出低价时段
仿照高价时段筛选代码，新增一段代码，筛选电价低于 0.50 的时段。
提示：
可以参考：
low_price_df = df[df["price_yuan_per_kwh"] < 0.50]print("\n低价时段：")print(low_price_df)
练习4：思考一个业务问题
如果你看到某一天电价在 12:00 和 14:00 明显偏高，你会进一步想查哪些信息？
可以从这些角度思考：
这是真实电价，还是教学模拟数据？
这是分时电价、零售电价，还是现货价格？
高价是否和系统负荷高有关？
高价是否和天气、生产活动、新能源出力有关？
用户是否刚好在高价时段用电较多？
如果是储能场景，是否存在低价充电、高价放电的分析价值？
如果你已经跑通本章代码，并且在文件夹里看到了：
price_data.csv
price_trend.png
欢迎在评论区回复：
趋势图已跑通
如果你遇到报错，也可以直接留言：
ModuleNotFoundError
ValueError
FileNotFoundError
IndentationError
后面我会把大家遇到的问题整理成一篇：
《Python 电力交易新手常见报错手册》
如果你想直接领取本章配套资料，可以私信公众号关键词：
电力Python03
领取《Python电力交易》第3章入门资料包，包括：
建议使用顺序：
先看运行说明 → 跑通完整代码 → 查看生成的趋势图 → 对照语法速查表理解代码 → 回到评论区回复“趋势图已跑通”。
也欢迎你在评论区回答：
你最想优先学习哪一种图表？
A. 电价趋势图
B. 负荷曲线图
C. 分时电价对比图
D. 月度电费柱状图
E. 现货价格波动图
10个月宝宝每天需要喝多少奶粉？
