超简单用Python让Excel飞起来

王秀文; 郭明鑫; 王宇韬. 超简单：用Python让Excel飞起来（零基础学python，用python实现办公自动化，让excel化繁为简，减少重复工作）

第 1 章　 Python 快速上手

用 VBA 对当前 Excel 工作簿中的内容进行操作会比较方便，但对多个工作簿或不同格式文件的控制就要比 Python 复杂，如批量修改某一文件夹下的 Excel 工作簿名，用 Python 会方便很多。因此，使用 Python 能让自动化办公的实现范围更广、过程更轻松。

Anaconda 是 Python 的一个发行版本，安装好了 Anaconda 就相当于安装好了 Python，并且它里面还集成了很多大数据分析与科学计算的第三方模块，如 NumPy、 Matplotlib 等。 PyCharm 则是一款 Python 代码编辑器，它比 Anaconda 自带的两款编辑器 Spyder 和 Jupyter Notebook 更好用。

Jupyter Notebook 可在线编辑和运行代码，是一款适合初学者和教育工作者的优秀编辑器。 Spyder 则提供一些非常漂亮的可视化选项，可以让数据看起来更加简洁。

安装 xlwings 模块:

pip install xlwings
# 使用清华镜像
pip install xlwings -i https://pypi.tuna.tsinghua.edu.cn/simple

示例:

import xlwings as xw
import os

# 启动EXCEL程序窗口,但不新建工作簿
app = xw.App(visible = True, add_book = False)

# 如果路径不存在,则创建
if not os.path.exists("example\\01\\员工信息表"):
    os.makedirs("example\\01\\员工信息表")

for i in range(1, 21):
    workbook = app.books.add() # 新建工作簿, add 为books对象的函数
    # 以 f开头表示在字符串内支持大括号内的python 表达式
    workbook.save(f'example\\01\\员工信息表\\分公司{i}.xlsx')
    workbook.close() #关闭创建的工作簿

app.quit() # 退出EXCEL程序

第 2 章　 Python 的基础语法知识

变量类型查询函数: type(VarName)

数据类型转换函数:

str()
int(): 直接去掉小数点后的数字,不会四舍五入
float()

列表与字符串的相互转换:

aList = ['a','b','c']
aStr = ','.join(aList)
print('aStr:',aStr)

anotherList = aStr.split(',')
print('anotherList:',anotherList)
'''
aStr: a,b,c
anotherList: ['a', 'b', 'c']
'''

第3章 Python模块

处理文件和文件夹的模块: os

os.getcwd(): Gets the current working directory, 获取当前运行的脚本所在的工作目录
os.listdir(path)
os.path.splitext(path), 返回一个元组,包括文件主名路径和扩展名
os.rename(oldName,newName): 重命名文件或文件夹, 需要给出path
- 对于文件,不但可以重新命名文件名, 还可以修改文件所在的文件夹位置
- 在对文件夹进行重命名时，只能重命名最后一级的文件夹，而不能像重命名文件那样移动位置。

import os
path = 'c:/test/temp.xlsx'
print(os.path.splitext(path)) # ('c:/test/temp', '.xlsx')

可以批量处理 EXCEL的python模块 xlwings

处理Excel的python模块功能对比:

xlwings 模块还能与 Excel VBA 结合使用，实现更加强大的数据输入和分析功能。

import xlwings as xw

app = xw.App(visible = True, add_book = False)

# 打开工作簿
# 指 定 的 工 作 簿 必 须 真 实 存 在， 并 且 不 能 处 于 已 打 开 的 状 态。
workbook = app.books.open(r'example\\01\\员工信息表\\分公司1.xlsx')

# 操控工作表和单元格
worksheet = workbook.sheets['sheet1']  # 选中工作表 sheet1
worksheet.range('A1').value='A1单元格的值'

# 新增sheet
numSheets = workbook.sheets.count  # sheet 数量
namesOfSheets = [] # sheet 名称列表
for i in range(numSheets):
    namesOfSheets.append(workbook.sheets[i].name)

print(namesOfSheets)

if '产品统计表' not in namesOfSheets:
    worksheet = workbook.sheets.add('产品统计表')
else:
    workbook.sheets['产品统计表'].activate() # 激活指定的 worksheet
    worksheet=workbook.sheets.active # 获得激活的工作簿

worksheet.range('A1').value='产品统计表A1单元格的值'
workbook.save()
workbook.close()
app.quit()

数据计算模块 NumPy

列表和NumPy数组的对比,以及NumPy数组的创建:

import numpy as np

aList = [1,2,3,4]

npArray = np.array([1,2,3,4])

print(aList)   # [1, 2, 3, 4]
print(npArray) # [1 2 3 4]
print(type(aList))   # <class 'list'>
print(type(npArray)) # <class 'numpy.ndarray'>

# 同 样 是 做 乘 法 运 算， 列 表 是 把 元 素 复制 了 一 遍
# NumPy数 组 则 是 对 每 个 元 素 都 进 行 了 乘 法 运 算。

print(aList * 2)     # [1, 2, 3, 4, 1, 2, 3, 4]
print(npArray * 2)   # [2 4 6 8]

# numpy 数组的创建
print(np.arange(5))      # [0 1 2 3 4]
print(np.arange(5,10))   # [5 6 7 8 9]
print(np.arange(5,10,2)) # [5 7 9]

# 用 np.random.randn( 3) 创 建 一 个 一 维 数 组
# 其 中 包 含 服 从 正 态 分 布（ 均 值 为 0、 标 准 差 为 1 的 分 布） # 的 3 个 随 机 数。

print(np.random.randn(3)) # [ 1.46183528 -0.25850555  0.92181574]

# 用reshape() 创建多维数组
print(np.arange(12).reshape(3,4))
'''
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
'''

# 随机整数数组: 包含5, 不包含20 之间的随机数,生成 4*5矩阵
print(np.random.randint(5,20,(4,5)))

数据导入和整理模块—— pandas

pandas 模块是基于 NumPy 模块的一个开源 Python 模块，广泛应用于完成数据快速分析、数据清洗和准备等工作，它的名字来源于“ panel data”（面板数据）。 pandas 模块提供了非常直观的数据结构及强大的数据管理和数据处理功能， 某种程度上可以把 pandas 模块看成 Python 版的 Excel。

与 NumPy 模块相比， pandas 模块更擅长处理二维数据，其主要有 Series 和 DataFrame 两种数据结构。 Series 类似于通过 NumPy 模块创建的一维数组，不同的是 Series 对象不仅包含数值，还包含一组索引

import pandas as pd 

# 到， s 是 一 个 一 维 数 据 结 构
# 并 且 每 个 元 素 都 有 一 个 可 以 用 来 定 位 的 行 索 引，
s = pd.Series(['a','b','c'])
print(s)
'''
0    a
1    b
2    c
dtype: object
'''
print(s[1]) # b

Series 很少单独使用，我们学习 pandas 模块主要是为了使用它提供的 DataFrame 数据结构。 DataFrame 是一种二维表格数据结构，可以将其看成一个 Excel 表格

1.二维数据表格 DataFrame 的创建与索引的修改

import pandas as pd 
import numpy as np


# 用列表创建 DataFrame
a = pd.DataFrame([[1,2],[3,4],[5,6]])
print(a)
'''
有行索引和列索引:
   0  1
0  1  2
1  3  4
2  5  6
'''

# 自定义列索引 columns 和行索引 index
b = pd.DataFrame([[1,2],[3,4],[5,6]],columns=['height','width'],index=['A','B','C'])
print(b)
'''
   height  width
A       1    2
B       3    4
C       5    6
'''

# 按列创建 DataFrame
c = pd.DataFrame() # 空DataFrame
h = [1,3,4]
w = [2,4,6]
c['height'] = h
c['width'] = w
print(c)
'''
   height  width
0       1      2
1       3      4
2       4      6
'''


# 通过字典创建
d = {'a':[1,3,5],'b':[2,4,6]}

# 字典按列生成 DataFrame,以 字 典 的 键 名 作 为 列 索 引
e = pd.DataFrame.from_dict(d, orient='columns') 

print(e)
'''
   a  b
0  1  2
1  3  4
2  5  6
'''

# 字典按行生成 DataFrame,以 字 典 的 键 名 作 为 行 索 引
f = pd.DataFrame.from_dict(d, orient='index') 
print(f)
'''
   0  1  2
a  1  3  5
b  2  4  6
'''

# 通过 NumPy 二维数组创建 DataFrame
n = np.arange(20).reshape(4,5)
df = pd.DataFrame(n)
print(df)
'''
    0   1   2   3   4
0   0   1   2   3   4
1   5   6   7   8   9
2  10  11  12  13  14
3  15  16  17  18  19
'''

修改索引(略)

2.文件的读取和写入

import pandas as pd 

# 读取 excel
# sheet_name 用 于 指 定 工 作 表， 可 以 是 工 作 表 名 称， 也 可 以 是 数 字（ 默 认 为 0， 即 第 1 个 工 作 表）。
# index_col 用 于 设 置 索 引 列,　int类型：0、1、2分别对应第一列、二列、三列,list类型：多行索引MultiIndex
# header参数为0，也就是第一行作为列索引(理解为表头)
data = pd.read_excel('data.xlsx',sheet_name='hello')
print(data)
'''
   h1  h2  h3
0   1   3   5
1   2   4   6
'''

# 读取 csv
'''
·delimiter 用 于 指 定 CSV 文 件 的 数 据 分 隔 符， 默 认 为 逗 号。 ·encoding 用 于 指 定 文 件 的 编 码 方 式， 一 般 设 置 为 UTF-8 或 GBK 编 码， 以 避 免 中 文 乱 码。 ·index_col 用 于 设 置 索 引 列。
·index_col 用 于 设 置 索 引 列。
'''

data = pd.read_csv('data.csv',delimiter=',',encoding='utf-8')
print(data)
'''
   h1  h2  h3
0   1   3   5
1   2   4   6
'''

# 文件写入
data = pd.DataFrame([[1,2],[3,4],[5,6]],columns=['A列','B列'])
data.to_excel('data2.xlsx')
'''
默认的EXCEL有行索引
    A列  B列
0   1   2
1   3   4
2   5   6
'''
# 去掉行索引: 将index 设置为 False
data.to_excel('data3.xlsx',index=False)

3.数据的选取和处理

import pandas as pd 

# 可以用列表创建DataFrame, 列表中的子列表为行数据
# index 为行索引
# columns 为列索引
data = pd.DataFrame([[1,2,3,4],
                     [5,6,7,8],
                     [9,10,11,12]],
                    index=['r1','r2','r3'],
                    columns=['c1','c2','c3','c4'])
print(data)
'''
    c1  c2  c3  c4
r1   1   2   3   4
r2   5   6   7   8
r3   9  10  11  12
'''

# 选取单列
print(data['c1'])
'''
# 返回Series 类型的数据
r1    1
r2    5
r3    9
Name: c1, dtype: int64
'''
print(data[['c1']])
'''
# 返回DataFrame 类型的数据
Name: c1, dtype: int64
    c1
r1   1
r2   5
r3   9
'''

# 选取多列, 返回的是 DataFrame类型的数据, 所以参数必须是子列表
print(data[['c2','c4']])
'''
    c2  c4
r1   2   4
r2   6   8
r3  10  12
'''

# 按照行的序号选取多行数据, 建议用 iloc
print(data[1:3])  # 选取2,3 两行
'''
    c1  c2  c3  c4
r2   5   6   7   8
r3   9  10  11  12
'''

print(data.iloc[1:3])
'''
    c1  c2  c3  c4
r2   5   6   7   8
r3   9  10  11  12
'''

# series
print(data.iloc[0])
'''
c1    1
c2    2
c3    3
c4    4
Name: r1, dtype: int64
'''

# 根据行名称获取数据
print(data.loc[['r1','r3']])
'''
    c1  c2  c3  c4
r1   1   2   3   4
r3   9  10  11  12
'''

# 使用 heard() 函数获取前n行数据,默认为5行
print(data.head(2))
'''
    c1  c2  c3  c4
r1   1   2   3   4
r2   5   6   7   8
'''

# 选取多行多列
# 方法1: 先列,后行
print(data[['c1','c3']][0:2])
'''
    c1  c3
r1   1   3
r2   5   7
'''

# 方法2: 先行,后列, pandas 官方推荐的方法
# iloc 用数字做索引, loc 用字符做索引
print(data.iloc[0:2][['c1','c3']])
print(data.iloc[0:2,[0,2]])
print(data.loc[['r1','r3']][['c1','c3']])
print(data.loc[['r1','r3'],['c1','c3']])
'''
    c1  c3
r1   1   3
r3   9  11
'''


# 通 过 在 中 括 号 里 设 定 筛 选 条 件 可 以 过 滤 行
# 如 果 有 多 个 筛 选 条 件， 
# 可 以 用“&”（ 表 示“ 且”） 或“ |”（ 表 示“ 或”） 连 接 起 来。
print(data)
'''
    c1  c2  c3  c4
r1   1   2   3   4
r2   5   6   7   8
r3   9  10  11  12
'''
print(data[(data['c1']>=5) & (data['c2']>6)])
'''
    c1  c2  c3  c4
r3   9  10  11  12
'''

# sort_values(), 按某一列进行排序
# sort_index(), 按索引排序
a  = data.sort_values(by='c2', ascending=False)
print(a)
'''
    c1  c2  c3  c4
r3   9  10  11  12
r2   5   6   7   8
r1   1   2   3   4
'''

a = a.sort_index()
print(a)
'''
    c1  c2  c3  c4
r1   1   2   3   4
r2   5   6   7   8
r3   9  10  11  12
'''

# 运算
data['c5'] = data['c4'] - data['c1'] 
print(data)
'''
    c1  c2  c3  c4  c5
r1   1   2   3   4   3
r2   5   6   7   8   3
r3   9  10  11  12   3
'''

# 删除: drop, inplace=True表示在原变量上删除
a = data.drop(index='r1')
print(a)
'''
    c1  c2  c3  c4  c5
r2   5   6   7   8   3
r3   9  10  11  12   3
'''
print(data)
'''
    c1  c2  c3  c4  c5
r1   1   2   3   4   3
r2   5   6   7   8   3
r3   9  10  11  12   3
'''
a = data.drop(columns=['c5'],inplace=True)
print(a) # None
print(data)
'''
    c1  c2  c3  c4
r1   1   2   3   4
r2   5   6   7   8
r3   9  10  11  12
'''

D:/98blog_yh/markdownfiles/读书/2021/超简单用Python 让Excel飞起来/超简单用Python 让Excel飞起来.md

这辈子没法做太多的事情, 所以每一件都要做到精彩绝伦!——史蒂夫.乔布斯

2022年 5月
一	二	三	四	五	六	日
						1
2	3	4	5	6	7	8
9	10	11	12	13	14	15
16	17	18	19	20	21	22
23	24	25	26	27	28	29
30	31

第 1 章 Python 快 速 上 手

第 2 章 Python 的 基 础 语 法 知 识

第3章 Python模块

可以批量处理 EXCEL的python模块 xlwings

数据计算模块 NumPy

数 据 导 入 和 整 理 模 块—— pandas

1.二 维 数 据 表 格 DataFrame 的 创 建 与 索 引 的 修 改

2.文件的读取和写入

3.数 据 的 选 取 和 处 理

相关文章：

Hi，您需要填写昵称和邮箱！

第 1 章　 Python 快速上手

第 2 章　 Python 的基础语法知识

数据导入和整理模块—— pandas

1.二维数据表格 DataFrame 的创建与索引的修改

3.数据的选取和处理