一、Excel 自动化，真正值钱的不是会不会读表，而是能不能少做重复劳动
办公自动化里，Excel 几乎是绕不过去的一座山。
名单在 Excel 里。 销售表在 Excel 里。 库存表在 Excel 里。 日报、周报、月报在 Excel 里。 财务明细、人事台账、项目跟踪表，也经常都在 Excel 里。
很多人学 Python 办公自动化，最先感受到价值的地方，往往就来自 Excel。
因为现实里最痛苦的工作，常常不是不会做，而是：
每天都要做 每周都要做 每月都要做 而且步骤几乎一样
比如：
把几十个门店的 Excel 汇总成一张总表 按条件筛出重点客户 自动补一列统计结果 给每行算销售额、利润率、完成率 按部门拆成多个文件 自动生成新表 修改标题、样式、列宽 再导出给别人
这些工作，如果只做一次，人还能忍。 但一旦变成高频重复任务，Python 的优势就会非常明显。
所以这一章的重点不是“Excel 能不能处理”，而是：
怎么把 Excel 这类高频、重复、规则明确的操作，变成可复用脚本。
二、处理 Excel，通常会接触两条路线
Python 处理 Excel，最常见的两条路线分别是：
一条偏数据处理 一条偏表格操作
先说结论：
如果你主要想做数据读取、筛选、统计、合并、清洗，通常优先想到 pandas。 如果你主要想做单元格级别的操作，比如改格式、调列宽、设字体、插入工作表、改表头，通常优先想到 openpyxl。
这两个库不是竞争关系，而是经常配合使用。
你可以这样记：
Pandas 更像表格里的“数据分析师” openpyxl 更像表格里的“排版与细节编辑员”
很多真实项目里，做法往往是：
先用 Pandas 处理数据 再用 openpyxl 微调表格样式和结构
这套组合特别常见，也特别实用。
三、先安装会用到的库
如果你的环境里还没装，可以先安装：
python -m pip install pandas openpyxl
其中：
pandas 用来高效处理表格数据openpyxl 用来读写 .xlsx 文件，并操作工作簿、工作表、单元格
为什么装 openpyxl。
因为 Pandas 在读写 Excel 时，很多情况下本身也要借助它。 尤其是 .xlsx 文件，这是非常常见的依赖组合。
四、第一步先学会读 Excel，这是一切自动化的入口
如果连 Excel 数据都接不进来，后面所有自动化都无从谈起。
最常见的读取方式是：
import pandas as pddf = pd.read_excel("销售数据.xlsx")print(df.head())
这行代码就能把 Excel 第一张工作表读成 DataFrame。
你接下来就可以像处理普通 Pandas 表格一样：
筛选 排序 分组 新增列 导出结果
如果文件里有多个工作表，可以指定表名：
import pandas as pddf = pd.read_excel("销售数据.xlsx", sheet_name="1月销售")print(df.head())
也可以按工作表索引读取：
df = pd.read_excel("销售数据.xlsx", sheet_name=0)
这里 0 表示第一张工作表。
如果你想一次读取所有工作表：
import pandas as pdall_sheets = pd.read_excel("销售数据.xlsx", sheet_name=None)print(type(all_sheets))print(all_sheets.keys())
这时返回的通常是一个字典。 键是工作表名，值是对应的 DataFrame。
这在月报、台账、对账表里特别有用，因为很多 Excel 文件本来就不是一张表，而是很多张。
五、为什么读取 Excel 后，第一件事通常不是处理，而是先看结构
这是非常重要的习惯。
真实工作里的 Excel，很少像教材那样干净。 经常会出现：
表头不在第一行 有合并单元格 有空行 列名不规范 有备注行 有小计、合计行 日期格式混乱 数字列被读成字符串
所以你在处理前，最好先看几眼：
print(df.head())print(df.info())print(df.columns)
这样你至少能先知道：
列名是不是你想象的那样 哪些列有空值 哪些列类型不对 数据是不是从正确位置读进来了
这一步如果偷懒，后面往往会花更多时间排错。
六、如果表头不在第一行，该怎么读
这是办公 Excel 很常见的情况。
比如有些表前面两三行是标题、说明、日期，真正的字段名从第 4 行才开始。 这时可以用 header 参数指定：
import pandas as pddf = pd.read_excel("销售数据.xlsx", header=2)print(df.head())
这里 header=2 表示：
把 Excel 的第 3 行当作列名 因为索引从 0 开始算
如果前面有完全不需要的说明行，也可以先跳过：
df = pd.read_excel("销售数据.xlsx", skiprows=2)
或者同时配合：
df = pd.read_excel("销售数据.xlsx", header=1, skiprows=1)
这类参数在真实办公表格里非常有用。 因为很多表不是为程序准备的，而是为人看的，格式往往不够规整。
七、只读自己关心的列，往往会更高效
有时 Excel 表很大，但你只关心其中几列。 这时没必要整张表都读进来。
比如只读“门店、商品、销量、单价”：
import pandas as pddf = pd.read_excel("销售数据.xlsx", usecols=["门店", "商品", "销量", "单价"])print(df.head())
也可以按列范围读：
df = pd.read_excel("销售数据.xlsx", usecols="A:D")
这种做法的好处有两个：
第一，更快 第二，更清晰
因为你一开始就把无关信息排除掉了。 后面的分析逻辑也会更干净。
八、最常见的自动化场景之一：批量合并多个 Excel 文件
这几乎是办公自动化里的经典题。
比如一个文件夹里有很多门店日报：
北京店.xlsx 上海店.xlsx 广州店.xlsx 深圳店.xlsx
你想把它们合并成一张总表。
最常见的写法是：
import pandas as pdfrom pathlib import Pathfolder = Path("日报")all_data = []for file in folder.glob("*.xlsx"): df = pd.read_excel(file) df["来源文件"] = file.name all_data.append(df)result = pd.concat(all_data, ignore_index=True)print(result.head())
这里有几个关键点。
folder.glob("*.xlsx")表示找出该文件夹下所有 Excel 文件
每读一张表，就加一列 来源文件这样后面你还能追溯数据来自哪个文件
pd.concat()把所有 DataFrame 纵向拼接起来
ignore_index=True表示重新生成连续索引
这段代码的价值非常大。 因为很多人工要做的“复制粘贴汇总”，本质上都能归到这个模式里。
九、合并多个文件时，最容易遇到的问题是什么
不是代码不会写，而是文件不整齐。
比如：
有的表列名叫“销售额”，有的叫“金额” 有的列顺序不同 有的表多一列 有的表少一列 有的表混着合计行 有的文件不是你要的数据表
所以批量合并 Excel 时，真正成熟一点的做法通常是：
先统一列名 再清洗格式 最后再拼接
比如先重命名列：
df = df.rename(columns={"金额": "销售额"})
或者只保留标准列：
df = df[["门店", "商品", "销量", "单价", "销售额"]]
这类动作虽然不炫，但非常实战。 因为办公室里最烦的，不是技术难，而是“表不统一”。
十、第二个高频场景：批量新增计算列
很多 Excel 表里，原始字段有了，但业务指标没有。 这时 Python 就特别适合统一补上。
比如补销售额：
import pandas as pddf = pd.read_excel("销售数据.xlsx")df["销售额"] = df["销量"] * df["单价"]print(df.head())
再比如补完成率：
df["完成率"] = df["实际完成"] / df["目标值"]
再比如补利润：
df["利润"] = df["销售额"] - df["成本"]
或者根据条件生成标记列：
df["是否达标"] = df["销售额"] >= 1000
这类批量计算的价值在于：
你不再需要在 Excel 里一列列写公式、拖拽、复制 也不用担心某几行漏掉、公式错位 规则统一后，所有数据都按同一标准算
办公自动化最怕的就是“人手拖公式”这种容易失误的动作。 而 Python 特别适合把它标准化。
十一、第三个高频场景：按条件筛出结果并导出新表
比如你有一大张客户名单，只想筛出高销售额客户：
import pandas as pddf = pd.read_excel("客户数据.xlsx")vip_df = df[df["销售额"] > 5000]vip_df.to_excel("高销售额客户.xlsx", index=False)
再比如筛出即将到期的合同：
df = pd.read_excel("合同台账.xlsx")result = df[df["剩余天数"] <= 30]result.to_excel("即将到期合同.xlsx", index=False)
或者筛出某个部门：
df = pd.read_excel("员工名单.xlsx")hr_df = df[df["部门"] == "人事部"]hr_df.to_excel("人事部名单.xlsx", index=False)
这类脚本之所以值钱，是因为它能把“每次都要手动筛一遍”的操作，变成一次写好、反复复用的工具。
十二、第四个高频场景：按某个字段拆分成多个 Excel 文件
这个场景也特别常见。
比如一张总表里有所有门店的数据，你想按门店分别导出：
北京.xlsx 上海.xlsx 广州.xlsx
可以这样做：
import pandas as pdfrom pathlib import Pathdf = pd.read_excel("总销售表.xlsx")output_folder = Path("按门店拆分")output_folder.mkdir(exist_ok=True)for store, group in df.groupby("门店"): output_file = output_folder / f"{store}.xlsx" group.to_excel(output_file, index=False)
这里的逻辑特别清楚：
按“门店”分组 每组单独拿出来 导出成一个同名 Excel 文件
这个模式在很多办公场景里都非常好用，比如：
按部门拆名单 按城市拆客户表 按项目拆台账 按月份拆报表 按负责人拆任务清单
它解决的是“一个总表要拆成很多分表”的问题，这在实际办公里出现频率非常高。
十三、第五个高频场景：批量汇总到多个工作表
有时你不是想拆成多个文件，而是想放到同一个 Excel 的不同工作表里。 比如：
总表一个 sheet 北京一个 sheet 上海一个 sheet 广州一个 sheet
这时可以用 ExcelWriter：
import pandas as pddf = pd.read_excel("总销售表.xlsx")with pd.ExcelWriter("门店汇总.xlsx") as writer: df.to_excel(writer, sheet_name="总表", index=False)for store, group in df.groupby("门店"): group.to_excel(writer, sheet_name=store, index=False)
这样导出的一个 Excel 文件里，就会有多个工作表。
这在汇报场景里特别好用。 因为别人打开一个文件，就能同时看到总览和各分项，不需要翻很多个文件。
十四、如果只用 Pandas，能不能完成大部分表格处理
答案是，能完成相当大一部分。
只要你的需求主要集中在：
读表 筛表 算表 合并 拆分 汇总 导出
那么 Pandas 已经非常强了。
很多人做 Excel 自动化，卡的不是技术，而是总觉得“要不要学很复杂的 Excel 底层操作”。 其实先别急。
因为大多数日常办公表格问题，先用 Pandas 已经能解决很多。 只有当你开始涉及：
单元格样式 字体 颜色 边框 合并单元格 公式 列宽 工作表结构
这时才更需要 openpyxl。
所以你可以把 Pandas 理解成：
先把“数据问题”解决掉。
而 openpyxl 更像是：
再把“表格呈现问题”解决掉。
十五、接下来看看 openpyxl，它更像在操作“Excel 本身”
Pandas 更关注表格里的数据。 openpyxl 更关注 Excel 这个文件对象本身。
比如你想：
打开工作簿 选中某张工作表 读取某个单元格 修改某个单元格内容 设置字体加粗 调整列宽 插入新行 保存文件
这类动作，openpyxl 就更顺手。
最基础的读取方式：
from openpyxl import load_workbookwb = load_workbook("销售数据.xlsx")ws = wb["Sheet1"]print(ws["A1"].value)
这里：
wb 是工作簿ws 是工作表A1 是单元格坐标
这套思路跟 Pandas 很不一样。 它更像在直接操作 Excel 页面结构。
十六、用 openpyxl 读取和修改单元格
比如读取某个单元格：
from openpyxl import load_workbookwb = load_workbook("销售数据.xlsx")ws = wb["Sheet1"]print(ws["B2"].value)
修改某个单元格：
ws["C2"] = 999wb.save("销售数据_修改后.xlsx")
也可以按行列号访问：
print(ws.cell(row=2, column=3).value)ws.cell(row=2, column=3, value=999)
这在做固定模板表时特别有用。 因为很多办公表格，本来就有明确的单元格位置要求。
比如：
标题必须写在 A1 日期写在 F2 统计结果写在 B10 备注写在 A20
这类场景，Pandas 反而没那么顺，openpyxl 会更合适。
十七、遍历单元格，也是 openpyxl 的高频动作
有时你不是只改一个格子，而是要遍历整列、整行或整个区域。
比如读取第一列所有值：
from openpyxl import load_workbookwb = load_workbook("销售数据.xlsx")ws = wb["Sheet1"]for row in ws.iter_rows(min_row=2, max_col=1, max_row=ws.max_row):for cell in row: print(cell.value)
或者按行遍历几列数据：
for row in ws.iter_rows(min_row=2, values_only=True): print(row)
values_only=True 很方便，因为它直接返回值，不返回 Cell 对象。
这类操作适合什么场景。
比如：
检查模板内容 批量读取某列 查找空单元格 按固定行列位置抓数据
十八、设置样式，是 openpyxl 特别重要的一块
很多自动化办公，不只是“生成一个能看的表”，而是“生成一个像正式报表的表”。
比如标题要加粗 表头要居中 金额列要统一格式 重点数据要标红 列宽要调合适
这时就要用样式功能。
比如加粗标题：
from openpyxl import load_workbookfrom openpyxl.styles import Fontwb = load_workbook("销售数据.xlsx")ws = wb["Sheet1"]ws["A1"].font = Font(bold=True)wb.save("销售数据_加粗标题.xlsx")
设置字体颜色：
ws["A1"].font = Font(color="FF0000", bold=True)
设置居中：
from openpyxl.styles import Alignmentws["A1"].alignment = Alignment(horizontal="center")
这些功能在正式报表、模板导出里特别有用。 因为真实办公里，很多结果不是只给程序看，而是最终要给人看。
十九、调整列宽，是很实用但很容易被忽略的细节
如果你用程序导出 Excel，默认列宽有时不太好看。 内容可能显示不全，也可能特别挤。
这时可以手动调列宽：
from openpyxl import load_workbookwb = load_workbook("销售数据.xlsx")ws = wb["Sheet1"]ws.column_dimensions["A"].width = 20ws.column_dimensions["B"].width = 15wb.save("销售数据_调整列宽.xlsx")
如果你做的是自动生成报表，这种细节会明显影响最终观感。 所以别小看列宽、对齐、字体这些操作，它们往往决定了“像不像正式文件”。
二十、批量生成 Excel 报表，通常会怎么组合 Pandas 和 openpyxl
这是一条非常典型的实战路线。
第一步，用 Pandas 做数据处理：
读表 筛选 分组 计算 汇总 导出成 Excel
第二步，再用 openpyxl 做样式优化：
改表名 加标题 加粗表头 调列宽 改颜色 设边框 补说明
比如：
import pandas as pdsummary = df.groupby("门店", as_index=False)[["销量", "销售额"]].sum()summary.to_excel("门店汇总.xlsx", index=False)
然后再打开处理样式：
from openpyxl import load_workbookfrom openpyxl.styles import Fontwb = load_workbook("门店汇总.xlsx")ws = wb.activefor cell in ws[1]: cell.font = Font(bold=True)wb.save("门店汇总_美化.xlsx")
这种组合方式特别常见。 因为它把“数据处理”和“样式呈现”分开了，思路很清楚。
二十一、一个完整的小案例：自动生成门店销售汇总表
下面做一个稍完整一点的例子。
目标：
读取原始销售表 计算销售额 按门店汇总销量和销售额 导出成 Excel 把表头加粗
代码如下：
import pandas as pdfrom openpyxl import load_workbookfrom openpyxl.styles import Font# 读取原始数据df = pd.read_excel("销售数据.xlsx")# 新增销售额列df["销售额"] = df["销量"] * df["单价"]# 按门店汇总summary = df.groupby("门店", as_index=False)[["销量", "销售额"]].sum()# 导出结果output_file = "门店销售汇总.xlsx"summary.to_excel(output_file, index=False)# 美化表头wb = load_workbook(output_file)ws = wb.activefor cell in ws[1]: cell.font = Font(bold=True)wb.save(output_file)
这段代码不长，但已经很接近真实办公自动化脚本了。
它做到了：
自动读表 自动算指标 自动汇总 自动生成结果 自动加基础样式
很多办公室里的小工具，本质上就是这样一步步长出来的。
二十二、处理 Excel 时，最容易踩的几个坑
1. 列名和你以为的不一样
有时表头有空格、换行、隐藏字符。 所以读取后最好先打印 df.columns 看一眼。
2. 数字列被读成字符串
这会导致加减乘除出问题。 必要时要做类型转换。
比如：
df["销量"] = pd.to_numeric(df["销量"], errors="coerce")
3. 表里混着合计行、小计行
直接参与统计会污染结果。 这种行通常要先过滤掉。
4. 文件很多，但格式不完全统一
这在批量合并时最常见。 要先统一字段，再拼接。
5. 只会处理数据，不会处理样式
结果表能算出来，但给别人看时不够正式。 所以后面要慢慢补 openpyxl 的表格美化能力。
6. 直接覆盖原文件
如果脚本还没完全稳定，建议先输出到新文件，别一上来就覆盖原始数据。
二十三、什么时候优先用 Pandas，什么时候优先用 openpyxl
这个判断很实用。
优先用 Pandas 的情况：
要做筛选、排序、分组、统计 要处理大量表格数据 要合并或拆分多个文件 要新增计算列 要做批量数据清洗
优先用 openpyxl 的情况：
要改单元格 要设样式 要处理模板 要调列宽、字体、颜色 要插入行列 要做更细的工作簿级操作
很多时候其实不是二选一，而是：
先 Pandas 后 openpyxl
这是最顺手的一条路。
二十四、这一章最该带走的核心思路
不要把“批量处理 Excel”理解成某几个孤立命令。 它本质上是一种办公自动化流程能力。
你面对 Excel 时，要慢慢形成这样的思路：
先判断任务是“数据处理”还是“表格编辑” 如果是数据处理，优先想到 Pandas 如果是表格细节，优先想到 openpyxl 如果两者都有，就分两步做 先让结果对，再让表好看
这个思路一旦建立起来，你以后做 Excel 自动化就不会老在工具选择上绕来绕去。
二十五、本章要点整理
批量处理 Excel 是办公自动化中最常见、最有价值的场景之一。 处理 Excel 时，Pandas 更适合做数据读取、筛选、统计、合并、拆分和导出。 openpyxl 更适合做工作簿、工作表、单元格和样式层面的细节操作。 常见实战需求包括批量合并多个 Excel、自动新增计算列、按条件筛选导出、按字段拆分多个文件、生成多工作表汇总表。 真实办公表格往往不够规整，处理前要先查看结构、列名、数据类型和空值情况。 自动化处理 Excel 时，建议先用 Pandas 解决数据问题，再用 openpyxl 处理展示问题。 很多办公脚本的核心价值，不在技术复杂，而在于把重复流程固定下来并可反复复用。
