京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大家在工作和生活中经常会遇到处理EXCEL表格的时候,例如将一个EXCEL表格中的内容处理之后复制到另外一个EXCEL表格之中,或者大批量处理EXCEL,无论是哪种情况,如果我们不借助工具,自己一条条去处理的话,估计要耗费不少的时间和经历。今天小编就教大家如何用python处理EXCEL,希望能帮助大家提高效率。
今天处理EXCEL需要用到python的第三方库:openpyxl。
pip install openpyxl安装。
下面来看一下具体步骤:
一、获取EXCEL
1、读取Excel文件
首先导入相关函数
from openpyxl import load_workbook
# 默认可以读写,如果有需要可以指定
write_only和read_only为True
wb = load_workbook('pythontab.xlsx')
默认打开的文件为可读写,若有需要可以指定参数read_only为True。
2、获取工作表--Sheet
# 获得所有sheet的名称
print(wb.get_sheet_names())
# 根据sheet名称获取sheet
a_sheet = wb.get_sheet_by_name('Sheet1')
# 获取sheet名称
print(a_sheet.title)
# 获得当前正在显示的sheet, 也可以用
wb.get_active_sheet()
sheet = wb.active
3、获取单元格
# 获取某个单元格的值,观察EXCEL发现也是先字母再数字的顺序,也就是先列再行
b4 = sheet['B4']
# 分别返回
print(f'({b4.column}, {b4.row}) is {b4.value}') # 返回的数字就是int型
# 除了用下标的方式获取之外,还能使用cell函数, 换成数字,这个表示B2
b4_too = sheet.cell(row=4. column=2)
print(b4_too.value)
4、获取行和列
sheet.rows是生成器, 里面为每一行的数据,每一行又被一个tuple包裹。
sheet.columns类似,但是里面的每个tuple是每一列的数据。
# 由于按行,因此返回顺序为A1. B1. C1
for row in sheet.rows:
for cell in row:
print(cell.value)
# A1. A2. A3这样的顺序
for column in sheet.columns:
for cell in column:
print(cell.value)
通过上述四步的代码我们就能获取所有单元格的数据。
二、将数据写入Excel
1.工作表
首先导入WorkBook
from openpyxl import Workbook
wb = Workbook()
这样,一个新的工作表就建好了,但是还没被保存。
如果需要指定只写模式,我们可以指定参数write_only=True。通常情况下,默认的可写可读模式就行了。
print(wb.get_sheet_names()) # 提供一个默认名称为Sheet的工作表,如果是office2016新建提供默认名称为Sheet1的工作表
# 直接进行赋值就能够更改工作表的名称
sheet.title = 'Sheet1'
# 新建一个工作表,我们可以指定索引,对其在工作簿中的位置进行合理安排
wb.create_sheet('Data', index=1) # 被安排到第二个工作表,index=0代表第一个位置
# 删除某个工作表
wb.remove(sheet)
del wb[sheet]
2.写入单元格
还能使用公式
# 直接给单元格赋值即可
sheet['A1'] = 'good'
# B9处写入平均值
sheet['B9'] = '=AVERAGE(B2:B8)'
注意:若是读取的时候,则需要加上data_only=True,这样读到B9返回的就是数字,假如不加这个参数,返回的就会是公式本身'=AVERAGE(B2:B8)'
3.append函数
能够一次性添加多行数据,从第一行空白行开始写入。
# 添加一行
row = [1 ,2. 3. 4. 5]
sheet.append(row)
# 添加多行
rows = [
['Number', 'data1', 'data2'],
[2. 40. 30],
[3. 40. 25],
[4. 50. 30],
[5. 30. 10],
[6. 25. 5],
[7. 50. 10],
]
注意:append函数只能按行写入。
4.zip()函数
使用zip我们能够按列写入数据
list(zip(*rows))
# out
[('Number', 2. 3. 4. 5. 6. 7),
('data1', 40. 40. 50. 30. 25. 50),
('data2', 30. 25. 30. 10. 5. 10)]
说明一下:
list(zip(*rows)),首先*rows将列表打散,也可以说是填入了若干个参数,zip从每一个列表中提取第1个值并将其组合成一个tuple,再从每一个列表中提取第2个值,再组合成一个tuple,一直到最短的那个列表的最后一个值提取完毕时结束,其他较长列表的在这之后的值会被舍弃,也就相当于,最后的元组个数是由原来每个参数(可迭代对象)的最短长度决定的。例如:现在随便删掉一个值,最短列表长度为2.那么data2那一列的值就会被全部舍弃。
rows = [
['Number', 'data1', 'data2'],
[2. 40],
[3. 40. 25],
[4. 50. 30],
[5. 30. 10],
[6. 25. 5],
[7. 50. 10],
]
# out
[('Number', 2. 3. 4. 5. 6. 7), ('data1', 40. 40. 50. 30. 25. 50)]
最后zip返回的是zip对象,需要再使用list转换下。
以上就是小编今天跟大家分享的如何使用python处理EXCEL表格的基本操作,获取EXCEL和写入EXCEL,希望对于大家大批量处理EXCEL有所帮助。python是一款功能强大的数据分析工具,我们平时工作中的很多事项都可以用python来进行处理。希望python能帮助大家从繁琐的重复性工作中解脱粗来。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19