Python如何操作Excel_Python读写Excel文件方法归纳

老芳大大_8599

老芳大大_8599

2025-08-27

997人浏览

原创

Python操作Excel推荐根据需求选择库:处理.xlsx文件且需单元格级控制时用openpyxl;进行数据分析和批量处理时首选pandas;兼容旧版.xls文件可使用xlrd和xlwt;生成复杂报表且仅需写入时选用xlsxwriter。openpyxl支持读写及样式、合并单元格等精细控制,适合自动化报告;pandas以DataFrame形式高效处理数据,便于清洗、分析与批量读写;xlrd/xlwt适用于遗留.xls文件;xlsxwriter擅长创建图表、条件格式等高级格式。实际应用中常结合使用,如用pandas处理数据后交由openpyxl格式化输出。处理数据类型时需注意Excel日期存储机制,合理转换datetime;数字类型注意浮点精度与文本型数字的转换;字符串需清理空格与编码问题;公式在openpyxl中可读取或写入,pandas仅保留结果;格式控制需依赖openpyxl或xlsxwriter。批量处理时应启用openpyxl的read_only模式提升大文件读取性能,优先使用pandas批量读写,避免频繁I/O操作,采用append或to_excel实现高效写入。错误处理需检查文件存在性与权限,捕获FileNotFoundError、PermissionError等异常,验证文件格式与数据完整性,结合try-except实现单文件容错,确保批处理流程不中断,并通过logging记录

python如何操作excel_python读写excel文件方法归纳

Python操作Excel文件,主要依赖于几个功能强大的第三方库,如

openpyxl

、

pandas

、

xlrd

、

xlwt

和

xlsxwriter

。它们各自有不同的侧重点和优势,能够实现从简单的数据读写到复杂的格式控制、图表生成等多种需求,极大地提升了处理Excel文件的自动化能力和效率。

解决方案

在Python中读写Excel文件,我们通常会根据文件格式(

.xls

或

.xlsx

)和具体需求来选择合适的库。对于现代的

.xlsx

格式文件,

openpyxl

和

pandas

是两个最常用的选择,它们各有侧重。

使用

openpyxl
进行读写(推荐用于
.xlsx
文件)

openpyxl

是一个功能全面的库,可以处理

.xlsx

文件的读写,包括单元格数据、样式、合并单元格、图表等。它在处理单元格级别的精细控制时表现出色。

  • 读取Excel文件:

    from openpyxl import load_workbook
    
    try:
        # 加载工作簿
        workbook = load_workbook('示例文件.xlsx')
        # 选择活动工作表,或者通过名称选择
        sheet = workbook.active
        # sheet = workbook['Sheet1']
    
        print("读取单元格数据:")
        # 读取单个单元格
        cell_a1 = sheet['A1'].value
        print(f"A1: {cell_a1}")
    
        # 遍历所有行和列
        for row in sheet.iter_rows(min_row=1, max_row=sheet.max_row, min_col=1, max_col=sheet.max_column):
            row_values = [cell.value for cell in row]
            print(row_values)
    
    except FileNotFoundError:
        print("错误:文件未找到,请检查路径和文件名。")
    except Exception as e:
        print(f"读取文件时发生错误: {e}")
  • 写入Excel文件:

    from openpyxl import Workbook
    
    try:
        # 创建一个新的工作簿
        workbook = Workbook()
        # 获取活动工作表
        sheet = workbook.active
        sheet.title = "我的数据" # 设置工作表名称
    
        # 写入单个单元格
        sheet['A1'] = "姓名"
        sheet['B1'] = "年龄"
        sheet['C1'] = "城市"
    
        # 写入多行数据
        data = [
            ("张三", 30, "北京"),
            ("李四", 25, "上海"),
            ("王五", 35, "广州")
        ]
        for row_data in data:
            sheet.append(row_data)
    
        # 保存工作簿
        workbook.save('新生成文件.xlsx')
        print("Excel文件'新生成文件.xlsx'已成功创建并写入数据。")
    
    except Exception as e:
        print(f"写入文件时发生错误: {e}")

使用

pandas
进行读写(推荐用于数据分析和批量处理)

pandas

是Python数据科学的核心库,它将Excel文件视为表格数据,并能轻松地将其转换为DataFrame对象进行处理。对于需要进行数据清洗、分析、聚合等操作的场景,

pandas

是效率最高的选择。

  • 读取Excel文件:

    import pandas as pd
    
    try:
        # 读取Excel文件到DataFrame
        df = pd.read_excel('示例文件.xlsx')
        print("读取到的DataFrame:")
        print(df.head()) # 显示前几行数据
    
        # 如果Excel有多个工作表,可以指定sheet_name
        # df_sheet2 = pd.read_excel('示例文件.xlsx', sheet_name='Sheet2')
    
    except FileNotFoundError:
        print("错误:文件未找到,请检查路径和文件名。")
    except Exception as e:
        print(f"读取文件时发生错误: {e}")
  • 写入Excel文件:

    import pandas as pd
    
    try:
        # 创建一个DataFrame
        data = {
            '产品': ['A', 'B', 'C', 'D'],
            '销量': [100, 150, 80, 200],
            '价格': [10.5, 12.0, 9.8, 11.2]
        }
        df_new = pd.DataFrame(data)
    
        # 将DataFrame写入Excel文件
        # index=False表示不写入DataFrame的索引
        df_new.to_excel('产品销售数据.xlsx', index=False)
        print("Excel文件'产品销售数据.xlsx'已成功创建并写入数据。")
    
        # 写入到不同的工作表
        # with pd.ExcelWriter('多工作表文件.xlsx') as writer:
        #     df_new.to_excel(writer, sheet_name='销售数据', index=False)
        #     pd.DataFrame({'ID': [1,2], '名称': ['测试1','测试2']}).to_excel(writer, sheet_name='其他数据', index=False)
    
    except Exception as e:
        print(f"写入文件时发生错误: {e}")

其他库的简要说明:

  • xlrd
    和
    xlwt
    :
    主要用于处理旧版
    .xls
    文件。
    xlrd
    用于读取,
    xlwt
    用于写入。对于
    .xlsx
    文件,
    xlrd
    在较新版本中出于安全考虑,默认不再支持。如果你的项目需要兼容大量旧版Excel文件,它们依然有用。
  • xlsxwriter
    :
    这是一个专门用于写入
    .xlsx
    文件的库,功能非常强大,可以创建复杂的图表、条件格式、数据验证等,但它不支持读取。如果你需要生成高度定制化的报表,它会是很好的选择。

Python操作Excel时,选择哪个库最合适?

在我看来,选择哪个Python库来操作Excel,很大程度上取决于你的具体需求和文件类型。这就像选工具,你得知道自己要拧什么螺丝。

如果你主要处理的是现代

.xlsx

格式文件,并且需要对单元格进行精细控制,比如设置样式、合并单元格、读取或写入特定位置的单个数据,那么

openpyxl

几乎是我的首选。它提供了非常直观的API来模拟Excel的结构,上手也比较容易。我个人在做一些自动化报告生成,需要调整表头样式、填充颜色或者插入图片时,都会倾向于用

openpyxl

。

但如果你的任务更多是关于数据处理、分析,比如从Excel中读取大量数据进行清洗、转换,然后可能再将处理后的数据写入到另一个Excel文件,那么

pandas

无疑是更强大的选择。

pandas

将Excel数据抽象成DataFrame,这使得数据操作变得极其高效和便捷。比如,我要从一个包含几十万行销售数据的Excel里筛选出某个区域的销售额,用

pandas

几行代码就能搞定,性能也非常好。它的

read_excel

和

to_excel

方法简直是数据工作者的福音。

对于那些遗留的

.xls

文件,

xlrd

和

xlwt

仍然是必要的,尽管现在

.xlsx

已经成为主流。不过,需要注意

xlrd

在处理

.xlsx

文件时的限制和安全策略变化。至于

xlsxwriter

,它是一个非常专业的写入库,如果你需要生成带有复杂图表、宏或者特定格式的报表,并且不需要读取现有文件,那么它能提供比

openpyxl

更强大的定制能力。

总而言之,我的经验是:

  • 数据分析和批量数据操作:
    pandas
    是王者。
  • .xlsx
    文件精细化控制(读写):
    openpyxl
    是多面手。
  • .xls
    文件兼容:
    xlrd
    和
    xlwt
    是历史遗留的解决方案。
  • 复杂
    .xlsx
    报表生成(仅写):
    xlsxwriter
    是专家级工具。

很多时候,我甚至会结合使用它们,比如用

pandas

读取数据并进行初步处理,然后将DataFrame传递给

openpyxl

,利用

openpyxl

的特性来对最终输出的Excel文件进行样式和布局的调整。这就像是先用挖掘机把土挖出来(

pandas

),再用铲子精细平整(

openpyxl

)。

Python读写Excel文件时,如何处理常见的数据类型和格式问题?

在Python与Excel交互时,数据类型和格式问题常常是让人头疼的细节,因为Excel本身在数据存储和显示上有一些“约定俗成”的规则。理解这些,能让我们少走很多弯路。

首先是日期和时间。Excel内部将日期和时间存储为数字,表示从某个基准日期(Windows通常是1900年1月1日,Mac是1904年1月1日)开始的天数。小数部分表示时间。当Python库读取时,它们会尝试将这些数字转换为Python的

Python 环境工具专业版
Python 环境工具专业版

Python 环境工具专业版功能概述Python 环境工具专业版是一项面向实际任务的技能。它将相关步骤、工具调用和结果整理方式集中到统一流程中,帮助使用者更快完成目标并减少重复操作。核心要点使用时应结合输入条件选择合适的执行方式,核对必要参数、依赖环境与输出内容,并按原始要求处理异常情况。该技能适合需要稳定复用相关能力的场景,可作为自动化工作流的一部分,也便于后续检查、调整和扩展。执行完成后建议检查结果是否符合预期,并保留必要记录。使用与执行同时注意输入完整性、执行条件和输出可用性。从功能定位来看,该技能

下载
datetime

对象。

openpyxl

通常能很好地完成这个转换,但有时你可能会得到一个浮点数,这时需要手动使用

openpyxl.utils.datetime.from_excel

进行转换。

pandas

的

read_excel

在默认情况下也能智能识别日期格式,但如果格式不标准,可能需要通过

parse_dates

参数或者后续的

pd.to_datetime()

进行处理。写入时,Python的

datetime

对象通常会被正确地转换为Excel日期格式,但如果需要特定的日期显示格式,可能需要在

openpyxl

中设置单元格的

number_format

,或者在

xlsxwriter

中应用格式。

接着是数字类型。Excel不区分整数和浮点数,统一处理。Python读取时,通常会转换为

int

或

float

。但要注意浮点数的精度问题,Excel和Python在内部表示浮点数的方式可能略有不同,这在进行精确计算时需要留意。如果Excel单元格中包含的是以文本形式存储的数字(比如前面带单引号),

pandas

在读取时可能默认将其识别为字符串,这时需要后续进行类型转换,比如

df['列名'].astype(float)

。

字符串方面,主要问题是编码。现代Excel文件(

.xlsx

)通常使用UTF-8编码,Python也能很好地处理。但如果遇到一些老旧文件或者特殊字符,可能会出现乱码。此外,Excel单元格中的字符串可能包含前导或尾随空格,或者不可见的换行符。

pandas

在读取后,可以方便地使用

df['列名'].str.strip()

来清理这些空格。

公式的处理也很有意思。

openpyxl

在读取时,你可以选择获取公式本身(

cell.value

会得到公式字符串,如

=SUM(A1:A5)

),或者获取公式计算后的结果(

cell.value

在加载时指定

data_only=True

)。写入时,你可以直接将公式字符串赋给单元格,Excel会在打开时自动计算。

pandas

在读取时通常只获取公式计算后的结果,不保留公式本身。

最后是单元格格式,比如字体、颜色、背景色、边框、合并单元格等。

pandas

在写入Excel时,通常不会保留DataFrame的任何格式信息,只会写入纯数据。如果你需要控制这些格式,

openpyxl

和

xlsxwriter

是你的好帮手。

openpyxl

允许你创建

Font

、

PatternFill

、

Border

等对象并应用到单元格或区域,甚至可以处理合并单元格。

xlsxwriter

则提供了更强大的格式化API,特别适合生成复杂的报表。但这也意味着你需要编写更多的代码来定义这些样式,而不是像

pandas

那样简单地

to_excel()

。我个人在处理格式时,通常会先用

pandas

处理好数据,然后用

openpyxl

加载这个文件,再进行格式化,这样可以兼顾效率和美观。

Python批量处理Excel文件,有哪些性能优化和错误处理策略?

批量处理Excel文件,尤其是当文件数量多或者单个文件体量巨大时,性能和错误处理就显得尤为关键。我在这方面踩过不少坑,所以有些心得可以分享。

性能优化策略:

  1. 选择合适的库和模式:

    • 对于大文件读取,
      openpyxl
      有一个
      read_only
      模式,可以显著减少内存占用和加载时间。它会以流式方式读取文件,而不是一次性加载所有内容。
    • pandas
      的
      read_excel
      在处理大量数据时通常表现出色,因为它底层做了很多优化。
    • 避免在循环中频繁打开和关闭文件,尽量一次性加载或写入。
  2. 避免不必要的单元格操作:

    • 在
      openpyxl
      中,直接通过
      sheet['A1']
      访问单元格会比使用
      sheet.cell(row=1, column=1)
      略慢。更重要的是,尽量使用
      sheet.iter_rows()
      或
      sheet.iter_cols()
      迭代器来遍历单元格,而不是通过索引
      sheet[row][col]
      ,这对于大文件性能提升非常明显。
    • 如果只是想获取所有数据,一次性将整个区域的数据读入列表或
      pandas
      DataFrame会比逐个单元格读取快得多。
  3. 批量写入:

    • 在
      openpyxl
      中,使用
      sheet.append(row_data)
      比逐个设置单元格值(
      sheet.cell(row, col, value)
      )效率更高,因为它内部做了优化。
    • 如果数据量大,先构建一个
      pandas
      DataFrame,然后用
      df.to_excel()
      一次性写入,这是最高效的写入方式。
  4. 减少磁盘I/O:

    • 如果可以,尽量在内存中完成大部分数据处理,最后再进行一次性写入。频繁地读取和保存文件会大大降低效率。
    • 考虑使用
      io.BytesIO
      或
      io.StringIO
      在内存中操作文件,特别是在Web服务或临时文件场景下。

错误处理策略:

  1. 文件存在性及权限检查:

    • 在尝试打开或保存文件之前,使用
      os.path.exists()
      检查文件是否存在,并确保有读写权限。这能避免最常见的
      FileNotFoundError
      或
      PermissionError
      。
    • 始终用
      try-except
      块包裹文件操作,捕获
      FileNotFoundError
      、
      PermissionError
      等。
    import os
    if not os.path.exists(file_path):
        print(f"错误:文件 '{file_path}' 不存在。")
        return
    # 尝试打开文件
    try:
        # ... 文件操作 ...
    except PermissionError:
        print(f"错误:没有权限访问文件 '{file_path}'。")
  2. Excel文件格式校验:

    • Excel文件可能损坏或格式不正确。
      openpyxl
      和
      pandas
      在加载时可能会抛出
      BadZipFile
      、
      InvalidFile
      等异常。捕获这些异常,并给出友好的错误提示。
    • 对于用户上传的文件,最好进行初步的文件类型检查,确保它是
      .xlsx
      或
      .xls
      文件。
  3. 数据校验:

    • 读取数据后,对关键列的数据类型、范围、非空性等进行校验。例如,如果某列应该是数字,但读出来是字符串,需要进行转换并处理转换失败的情况。
    • pandas
      提供了强大的数据校验能力,比如
      df.isnull().sum()
      检查缺失值,
      df['列名'].apply(lambda x: isinstance(x, str))
      检查类型等。
  4. 日志记录:

    • 在批量处理过程中,详细记录每个文件的处理状态、遇到的错误、跳过的文件等信息。这对于事后排查问题至关重要。使用Python的
      logging
      模块是一个好习惯。
    • 记录错误发生的文件名、行号、错误类型和简要描述。
  5. 健壮的循环和跳过机制:

    • 在批量处理多个文件时,即使某个文件处理失败,也不应该中断整个批处理过程。使用
      try-except
      块包裹单个文件的处理逻辑,捕获异常后,记录错误并继续处理下一个文件。
    import glob
    excel_files = glob.glob('data/*.xlsx')
    for file_path in excel_files:
        try:
            print(f"正在处理文件: {file_path}")
            # ... 处理单个Excel文件的代码 ...
            print(f"文件 '{file_path}' 处理完成。")
        except Exception as e:
            print(f"处理文件 '{file_path}' 时发生错误: {e}")
            # 记录错误到日志文件
            continue # 继续处理下一个文件

这些策略的运用,能让你的Python Excel处理脚本更加稳定、高效,尤其是在面对真实世界中各种“不规范”的Excel文件时,它们能帮你避免很多不必要的麻烦。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
Python 时间序列分析与预测
Python 时间序列分析与预测

本专题专注讲解 Python 在时间序列数据处理与预测建模中的实战技巧,涵盖时间索引处理、周期性与趋势分解、平稳性检测、ARIMA/SARIMA 模型构建、预测误差评估,以及基于实际业务场景的时间序列项目实操,帮助学习者掌握从数据预处理到模型预测的完整时序分析能力。

2025.12.04

360

15

Python 数据清洗与预处理实战
Python 数据清洗与预处理实战

本专题系统讲解 Python 在数据清洗与预处理中的核心技术,包括使用 Pandas 进行缺失值处理、异常值检测、数据格式化、特征工程与数据转换,结合 NumPy 高效处理大规模数据。通过实战案例,帮助学习者掌握 如何处理混乱、不完整数据,为后续数据分析与机器学习模型训练打下坚实基础。

2026.01.31

292

21

Python数据分析与Pandas高级实战
Python数据分析与Pandas高级实战

本专题围绕 Python 数据分析展开,系统讲解 Pandas 的高级用法,包括数据清洗、透视表、时间序列分析以及多表合并与分组操作。通过实战案例,帮助开发者掌握高效处理与分析数据的方法,提高数据处理效率与分析能力。

2026.04.13

1011

25

数据类型有哪几种
数据类型有哪几种

数据类型有整型、浮点型、字符型、字符串型、布尔型、数组、结构体和枚举等。本专题为大家提供相关的文章、下载、课程内容,供大家免费下载体验。

2023.10.31

3631

5

php数据类型
php数据类型

本专题整合了php数据类型相关内容,阅读专题下面的文章了解更多详细内容。

2025.10.31

574

9

c语言 数据类型
c语言 数据类型

本专题整合了c语言数据类型相关内容,阅读专题下面的文章了解更多详细内容。

2026.02.12

622

19

css中float用法
css中float用法

css中float属性允许元素脱离文档流并沿其父元素边缘排列,用于创建并排列、对齐文本图像、浮动菜单边栏和重叠元素。想了解更多float的相关内容,可以阅读本专题下面的文章。

2024.04.28

7907

8

C++中int、float和double的区别
C++中int、float和double的区别

本专题整合了c++中int和double的区别,阅读专题下面的文章了解更多详细内容。

2025.10.23

944

4

js 字符串转数组
js 字符串转数组

js字符串转数组的方法:1、使用“split()”方法;2、使用“Array.from()”方法;3、使用for循环遍历;4、使用“Array.split()”方法。本专题为大家提供js字符串转数组的相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.03

1958

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
Excel 教程
Excel 教程

共162课时 | 45.9万人学习

成为PHP架构师-自制PHP框架
成为PHP架构师-自制PHP框架

共28课时 | 3.7万人学习