import openpyxl

# 1. 读取文件
wb = openpyxl.load_workbook("销售数据.xlsx")  # 打开工作簿
ws = wb["Sheet1"]  # 选中名为“Sheet1”的工作表，或者用 wb.active 选当前激活的

# 2. 读取数据（三种姿势，总有一款适合你）
title = ws["A1"].value  # 姿势一：像Excel一样用坐标 “A1”
price = ws.cell(row=5, column=3).value  # 姿势二：用行号列号 (第5行，第3列)

# 姿势三（处理大表必备）：用迭代器，省内存！
for row in ws.iter_rows(min_row=2, values_only=True):  # 从第2行开始，只取值
    date, product, sales = row  # 直接解包
# 处理你的数据...

# 3. 写入并保存
ws["A1"] = "2024年销售总览"# 写入新标题
ws.cell(row=10, column=5, value=99999)  # 在E10单元格写入数字

wb.save("修改后_销售数据.xlsx")  # 另存为新文件！千万别直接覆盖原文件
wb.close()  # 好习惯，关闭文件释放内存

from openpyxl.styles import Font, PatternFill, Alignment, Border, Side

# 先定义“涂料”（样式对象）
header_fill = PatternFill(start_color="2F5496", end_color="2F5496", fill_type="solid")  # 深蓝色背景
header_font = Font(name="微软雅黑", size=12, bold=True, color="FFFFFF")  # 白色加粗字体
center_align = Alignment(horizontal="center", vertical="center")  # 居中
thin_border = Border(left=Side(style="thin"), right=Side(style="thin"),
                      top=Side(style="thin"), bottom=Side(style="thin"))  # 细边框
money_format = "#,##0.00"# 千分位，两位小数

# 然后“刷墙”（应用到单元格）
ws["A1"].font = header_font
ws["A1"].fill = header_fill
ws["A1"].alignment = center_align
ws["A1"].border = thin_border
ws["B2"].number_format = money_format  # 数字格式

# 批量“刷墙”：把第一行都设置成漂亮表头
for cell in ws[1]:  # ws[1] 表示第一行所有单元格
    cell.fill = header_fill
    cell.font = header_font
    cell.alignment = center_align

让数据自己说话：条件格式与数据验证

想让销售额大于10万的自动标红？想让用户只能在下拉列表里选城市？Openpyxl轻松搞定。

from openpyxl.formatting.rule import CellIsRule
from openpyxl.worksheet.datavalidation import DataValidation

# 条件格式：B列大于100000的标红
red_fill = PatternFill(start_color="FF6B6B", end_color="FF6B6B", fill_type="solid")
ws.conditional_formatting.add("B2:B1000",
    CellIsRule(operator="greaterThan", formula=["100000"], fill=red_fill)
)

# 数据验证：在A列创建城市下拉列表
dv = DataValidation(type="list", formula1='"北京,上海,广州,深圳"', allow_blank=True)
dv.errorTitle = "输入错误"
dv.error = "请从列表中选择城市！"
ws.add_data_validation(dv)
dv.add("A2:A1000")  # 应用到A2到A1000单元格

性能大坑提醒：遇到大文件怎么办？

Openpyxl默认会把整个Excel文件加载到内存里。如果你打开一个100MB的文件，内存占用可能飙到1GB。

解决办法：启动“只读模式”。

# 用这个参数，内存占用立减90%
wb = openpyxl.load_workbook("超级大的文件.xlsx", read_only=True)
ws = wb.active

# 注意！只读模式下，你只能像读流水账一样一行行读，不能随机访问，也不能修改。
for row in ws.iter_rows(values_only=True):
# 处理每一行数据
pass

wb.close()

第二把刀：pandas —— 你的“数据分析大脑”

如果你的目标是分析数据，而不是折腾单元格格式，请直接上pandas。它会把你从Excel的函数公式里彻底解放出来。

你可以把它想象成一个超级智能的Excel透视表+筛选器+计算器合体。

读取数据，精准狙击

Pandas的read_excel函数强大到令人发指，你可以精确控制要读什么。

import pandas as pd

# 基础读法
df = pd.read_excel("data.xlsx", sheet_name="销售数据")  # df 就是一个强大的 DataFrame 对象
print(df.head())  # 看一眼前5行

# 高级读法：我只想要某些列，跳过乱七八糟的表头
# 这招对付从系统导出的“脏”表格特别管用
df = pd.read_excel("data.xlsx",
                   usecols=["日期", "产品", "销售额"],  # 只读这三列
                   skiprows=3,     # 跳过前3行（比如公司logo和空行）
                   nrows=10000)    # 只读10000行，避免内存爆炸

# 一键读取所有工作表，返回一个“工作表名: DataFrame”的字典
all_sheets = pd.read_excel("data.xlsx", sheet_name=None)
for sheet_name, sheet_data in all_sheets.items():
    print(f"工作表【{sheet_name}】有 {len(sheet_data)} 行数据")

数据分析，行云流水

这才是pandas的精华。下面这些操作，在Excel里你要折腾半天，在这里就是一行代码。

# 1. 筛选：找出北京地区销售额大于5万的订单
high_sales_bj = df[(df["地区"] == "北京") & (df["销售额"] > 50000)]

# 2. 分组聚合：按地区统计销售总额、平均单价、订单数
summary = df.groupby("地区", as_index=False).agg(
    销售总额=("销售额", "sum"),
    平均单价=("单价", "mean"),
    订单数=("订单号", "nunique")  # nunique是统计不重复的个数，很重要！
)

# 3. 透视表：制作地区vs月份的销售额汇总
groupby等分组操作是行转列，pivot_table则直接输出二维报表。
pivot_table = df.pivot_table(
    values="销售额",    # 要计算的值
    index="地区",      # 行标签
    columns="月份",    # 列标签
    aggfunc="sum",     # 聚合函数（求和）
    fill_value=0# 空值填0
)

# 4. 新增计算列：计算环比增长、累计占比
df["环比增长"] = df.groupby("产品")["销售额"].pct_change()  # 同产品比上月
# 累计销售额占比
# `cumsum()`是计算累计和。
df["累计占比"] = df["销售额"].cumsum() / df["销售额"].sum()

# 5. 排序取TOP10
top10_products = df.groupby("产品")["销售额"].sum().nlargest(10)

写入Excel：如何把多个DataFrame写到不同Sheet？

Pandas写Excel同样方便，配合ExcelWriter，可以轻松制作多工作表报告。

# 准备三个分析结果
df_raw = ...  # 原始数据
df_summary = ...  # 汇总表
df_pivot = ...   # 透视表

# 使用 ExcelWriter 一次性写入多个sheet
with pd.ExcelWriter("分析报告.xlsx", engine="openpyxl") as writer:
    df_raw.to_excel(writer, sheet_name="原始数据", index=False)
    df_summary.to_excel(writer, sheet_name="数据汇总", index=False)
    df_pivot.to_excel(writer, sheet_name="月度透视")

# 小提示：to_excel 里的 index=False 通常建议加上，避免多出一列行号。

一个黄金组合：Pandas + Openpyxl

Pandas写数据快，但设置复杂格式麻烦。Openpyxl设格式强，但处理大量数据慢。所以业内标准做法是：

1. 用Pandas做所有复杂的数据清洗、计算、分析。
2. 用Pandas的to_excel把结果数据快速写进Excel。
3. 再用Openpyxl打开这个Excel，进行精细的格式美化（加颜色、调边框、设字体）。

第三把刀：xlsxwriter —— “报表印刷机”，速度之王

当你需要从零生成一个全新的、格式复杂的、数据量巨大的报表时，xlsxwriter是你的不二之选。

它只写不读，像个专注的印刷机，速度极快。而且它的API设计让你可以边写数据边设定格式，一气呵成。

核心优势：速度与格式的完美融合

import xlsxwriter

wb = xlsxwriter.Workbook("超快报表.xlsx")
ws = wb.add_worksheet("业绩看板")  # 创建工作表

# 1. 定义格式（像定义CSS样式一样，可以重复使用）
header_style = wb.add_format({
"bold": True,
"font_color": "white",
"bg_color": "#2F5496",  # 蓝色背景
"align": "center",
"valign": "vcenter",
"border": 1,
"font_size": 12
})

money_style = wb.add_format({"num_format": "#,##0.00", "align": "right"})

# 2. 设置列宽（让表格更美观）
ws.set_column("A:A", 15)  # A列宽15
ws.set_column("B:E", 10)  # B到E列宽10

# 3. 写入带格式的表头
headers = ["日期", "产品", "销量", "单价", "销售额"]
for col, header in enumerate(headers):  # enumerate 能同时拿到索引和值
    ws.write(0, col, header, header_style)  # 第0行，第col列

# 4. 写入数据（每条数据都可以单独套格式）
data = [
    ["2024-01-15", "产品A", 120, 50.0, "=C2*D2"],  # 销售额用公式计算！
    ["2024-01-16", "产品B", 85, 80.0, "=C3*D3"],
]
for row_idx, row_data in enumerate(data, 1):  # 从第1行开始写（第0行是表头）
for col_idx, cell_value in enumerate(row_data):
        style = money_style if col_idx in [3, 4] elseNone# 单价和销售额列用货币格式
        ws.write(row_idx, col_idx, cell_value, style)

# 5. 插入图表（让你的报表生动起来）
chart = wb.add_chart({"type": "column"})  # 柱状图
# 告诉图表数据从哪里来
chart.add_series({
"name": "销售额",
"categories": "=业绩看板!$B$2:$B$3",  # 产品名称作为X轴
"values":     "=业绩看板!$E$2:$E$3",   # 销售额作为Y轴
})
chart.set_title({"name": "产品销售对比图"})
ws.insert_chart("G2", chart)  # 把图表插入到G2单元格的位置

wb.close()
print("报表生成完毕！速度飞快！")

记住：xlsxwriter不能修改已有文件，它是纯粹的“生成器”。但它生成的速度和效果，是顶级的。

第四把刀：xlwings —— 让Python“附身”Excel，实现终极自动化

上面三个库，都是在“文件层面”操作Excel。而xlwings更狠，它直接操控Excel这个软件本身。

这意味着，所有你能在Excel里手动完成的操作——点鼠标、刷新透视表、运行VBA宏、甚至弹窗提示——xlwings都能用Python代码帮你自动完成。

它能做什么？只有你想不到，没有它做不到

import xlwings as xw
import pandas as pd

# 1. 启动Excel程序（可以看不见，也可以让它显示出来）
app = xw.App(visible=True)  # visible=True 让你能看到Excel被打开操作的过程，很炫酷
wb = app.books.open("需要刷新的报表.xlsx")  # 打开文件
ws = wb.sheets["Sheet1"]

# 2. 像VBA一样读写单元格
ws.range("A1").value = "数据已更新：" + str(pd.Timestamp("today"))
# 读取一块区域，直接变成Python的列表，或者Pandas的DataFrame！
table_data = ws.range("A1:E100").options(pd.DataFrame, index=False, header=True).value

# 3. 设置格式（颜色、字体、边框）
ws.range("A1:E1").color = (68, 114, 196)  # RGB颜色，设置表头背景为蓝色
ws.range("A1:E1").api.Font.Color = 0xFFFFFF# 设置字体为白色 (.api是通往VBA世界的大门)
ws.range("A1:E1").api.Font.Bold = True# 设置加粗

# 4. 核心技能：刷新所有数据透视表和数据连接
# 这功能太实用了！报表数据源更新后，一键全刷新。
for sheet in wb.sheets:
for pivot_table in sheet.api.PivotTables():  # 遍历所有透视表
        pivot_table.RefreshTable()
# 还可以刷新Power Query等数据连接
# sheet.api.QueryTables.Item(1).Refresh()

# 5. 调用现有的VBA宏
# 如果公司有现成的复杂宏，直接调用，不用重写！
wb.macro("GenerateCharts")()  # 执行名为 GenerateCharts 的宏

# 6. 最后，保存、关闭、退出
wb.save("刷新后的报表.xlsx")
wb.close()
app.quit()  # 关闭Excel程序

一个真实自动化场景：

❝

每天凌晨2点，Python脚本自动运行：

1. 从数据库拉取最新销售数据。
2. 用pandas清洗计算。
3. 用xlsxwriter生成包含图表的初步报表。
4. 用xlwings打开报表，刷新其中的透视表和外部数据链接。
5. 将最终报表保存为PDF，并发送邮件给相关领导。

从此，你不再是做报表的人，你是设计报表流水线的人。

性能实战：处理百万行数据，如何不卡死？

当Excel文件变成“巨无霸”，常规方法就失灵了。下面是几条救命的实战经验：

策略一：从源头解决，用.xlsb格式

如果数据源你能控制，强烈要求导出为 .xlsb（Excel二进制格式）。它比.xlsx小很多，读取速度快2-3倍。

# pandas 读取 .xlsb 需要 pyxlsb 引擎
# 先安装：pip install pyxlsb
df = pd.read_excel("data.xlsb", engine="pyxlsb")

策略二：精准读取，不要全盘照收

用pandas的usecols和nrows参数，只读取你需要的列和行，内存占用立竿见影。

# 一个100列的文件，我可能只关心其中5列
df = pd.read_excel("huge.xlsx",
                   usecols=["订单号", "日期", "金额", "客户", "产品"],
                   nrows=500000)  # 只读前50万行

策略三：化整为零，分块处理（终极方案）

如果文件实在太大，内存装不下，就用“分块读取，逐块处理”的策略。

import openpyxl

wb = openpyxl.load_workbook("巨型文件.xlsx", read_only=True)
ws = wb.active
chunk_size = 10000# 每1万行处理一次
chunk = []

for i, row in enumerate(ws.iter_rows(values_only=True), start=1):
    chunk.append(row)
if i % chunk_size == 0:  # 攒够1万行
        process_chunk(chunk)  # 你的处理函数
        chunk = []            # 清空，准备下一块
        print(f"已处理 {i} 行...")

# 处理最后剩下的不足1万行的数据
if chunk:
    process_chunk(chunk)

wb.close()

策略四：写入优化，减少保存次数

用openpyxl时，切记把所有修改都做完，最后只保存一次。在循环里频繁save()，会慢到让你怀疑人生。

三大“组合拳”，覆盖90%实际工作场景

最后，分享三个我总结的高频工作流模板，直接复制修改就能用。

组合拳一：多文件合并分析报告

（每天合并几十个分公司报表的同学，请熟读并背诵）

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

# 1. 用Pandas合并文件夹下所有Excel
all_dfs = []
for file_path in Path("./每日报表").glob("*.xlsx"):  # 找到所有xlsx文件
    df = pd.read_excel(file_path)
    df["数据来源"] = file_path.stem  # 新增一列，记录是哪个分公司的数据
    all_dfs.append(df)

merged_df = pd.concat(all_dfs, ignore_index=True)  # 合并成一个大的DataFrame

# 2. 数据分析
summary_df = merged_df.groupby("地区").agg(
    销售总额=("销售额", "sum"),
    平均客单价=("销售额", "mean"),
    订单数=("订单号", "nunique")
).reset_index()

# 3. 写入Excel（原始数据+汇总结果）
with pd.ExcelWriter("全国销售汇总.xlsx", engine="openpyxl") as writer:
    merged_df.to_excel(writer, sheet_name="明细数据", index=False)
    summary_df.to_excel(writer, sheet_name="地区汇总", index=False)

# 4. 用Openpyxl美化格式
wb = load_workbook("全国销售汇总.xlsx")
for sheet_name in ["明细数据", "地区汇总"]:
    ws = wb[sheet_name]
    blue_fill = PatternFill(start_color="2F5496", fill_type="solid")
    white_font = Font(bold=True, color="FFFFFF")
for cell in ws[1]:  # 美化第一行表头
        cell.fill = blue_fill
        cell.font = white_font

wb.save("全国销售汇总_美化版.xlsx")
print("合并、分析、美化，一键完成！")

组合拳二：数据清洗标准化流水线

（对付来源混乱、格式不一的数据，这是你的“消毒水”）

defclean_excel_data(input_path, output_path):
"""
    一站式数据清洗函数：去重、删空、规范格式、过滤异常。
    """
    df = pd.read_excel(input_path)

    cleaned_df = (df
                  .drop_duplicates()  # 去重
                  .dropna(subset=["订单号", "金额"])  # 关键字段不能为空
                  .assign(
# 规范日期格式
                      下单日期=lambda x: pd.to_datetime(x["下单日期"], errors="coerce"),
# 金额不能为负
                      金额=lambda x: x["金额"].clip(lower=0),
# 手机号去掉所有空格
                      联系电话=lambda x: x["联系电话"].astype(str).str.replace(r"\s+", "", regex=True)
                  )
                  .query("下单日期.notna()")  # 删除日期格式错误的行
                 )

    cleaned_df.to_excel(output_path, index=False)
return cleaned_df

# 使用
clean_data = clean_excel_data("原始乱数据.xlsx", "清洗后标准数据.xlsx")

组合拳三：按条件拆分数据到不同文件

（比如按地区、按月份，把总表拆给不同负责人）

df = pd.read_excel("全体客户数据.xlsx")

# 按“所属省份”拆分，每个省存一个单独的Excel文件
for province, group_df in df.groupby("所属省份"):
    safe_name = str(province).replace("/", "-").replace("\\", "-")[:31]  # 处理非法字符，并限制长度
    group_df.to_excel(f"客户数据_{safe_name}.xlsx", index=False)
    print(f"已生成: 客户数据_{safe_name}.xlsx")

回顾一下：

• pandas 是你的数据分析大脑，处理数据又快又强。
• openpyxl 是你的格式美容师，精修单元格样样在行。
• xlsxwriter 是你的高速印刷机，生成新报表速度称王。
• xlwings 是你的遥控器，让Excel软件自己动起来。

没有哪个库是完美的，但可把它们组合起来使用。