结论：快速导出用pandas，精细控制用openpyxl；pandas适合数据库结果一键导出，openpyxl适用于样式定制、模板填充及多sheet操作。
导出Excel时选pandas还是openpyxl？看场景再决定
直接说结论：如果只是把数据库查询结果快速转成Excel文件，用 pandas.DataFrame.to_excel() 最省事；如果要精确控制单元格样式、合并单元格、写入多张sheet、或已有.xlsx模板要填数据，必须用 openpyxl。
很多人一上来就用 pandas 导出，结果发现标题没加粗、日期格式错乱、数字列变成文本、或者想加个logo根本无从下手——这些不是bug，是pandas默认不处理样式导致的。
反过来，纯用 openpyxl 写数据又容易绕晕：要手动遍历QuerySet、逐行赋值、自己算行列索引，小数据还行，上万行性能明显变慢。
Django视图里用pandas导出Excel的最小可行写法
核心就是两步：查数据 → 转DataFrame → 写响应流。注意别用 to_excel('file.xlsx') 直接写磁盘，Django需要返回HTTP响应。
提供使用 django-unfold (v0.56+) 构建高级 Django 管理界面的专业指导。当用户提及 django-unfold、unfold admin 等内容时使用此技能。
- 用
BytesIO接收Excel二进制内容，避免临时文件 - 设置响应头
Content-Type: application/vnd.openxmlformats-officedocument.spreadsheetml.sheet，否则浏览器可能当成zip打开 - QuerySet转DataFrame推荐用
list(queryset.values())，比pd.DataFrame(queryset)更稳定（后者对datetime字段易出错） - 中文列名记得在
to_excel()里加index=False，否则多一列序号
from django.http import HttpResponse
import pandas as pd
from io import BytesIO
<p>def export_excel(request):
qs = MyModel.objects.filter(status='active')
df = pd.DataFrame(list(qs.values('name', 'created_at', 'amount')))
df['created_at'] = pd.to_datetime(df['created_at']).dt.date # 格式化日期</p><pre class="brush:python;toolbar:false;">output = BytesIO()
with pd.ExcelWriter(output, engine='openpyxl') as writer:
df.to_excel(writer, index=False, sheet_name='data')
output.seek(0)
response = HttpResponse(
output.getvalue(),
content_type='application/vnd.openxmlformats-officedocument.spreadsheetml.sheet'
)
response['Content-Disposition'] = 'attachment; filename="export.xlsx"'
return response
用openpyxl往模板Excel里填数据，避开常见坑
典型场景：财务/HR系统导出带固定抬头、公司logo、合计行、红色高亮异常值的Excel。这时候pandas没法直接改模板，得靠 openpyxl.load_workbook()。
- 加载模板务必用
keep_vba=False（默认True），否则含宏的xlsx会报ValueError: Unknown extension is not supported - 写入前先
ws.delete_rows(2, ws.max_row)清空旧数据行，别只覆盖——留着空行会影响Excel自动筛选范围 - 日期写入要转成Python
datetime对象，不能传字符串，否则Excel识别为文本 - 如果要批量设样式（比如金额列右对齐+千分位），别循环每个单元格设
alignment和number_format，太慢；用ws.column_dimensions['C'].number_format = '#,##0.00'更高效
导出大表（5万+行）时的性能和内存警告
用pandas导出10万行，to_excel() 默认会吃掉400MB+内存，Django worker可能被kill；openpyxl逐行写更省内存，但速度慢3–5倍。折中方案：
- 分页导出：前端加“导出全部”确认弹窗，后端用
queryset.iterator(chunk_size=5000)分批读库+分批写sheet - 禁用pandas的Excel样式渲染：
to_excel(..., engine_kwargs={'options': {'strings_to_numbers': True}})减少类型推断开销 - 绝对不要在Django同步视图里导出超大表——该上Celery异步任务，生成完发下载链接或邮件
真正麻烦的从来不是“怎么导出”，而是导出后用户发现“时间字段少8小时”“手机号变成1.38E+10”“合并单元格全散了”。这些细节藏在pandas的dtype推断、Excel的区域格式继承、openpyxl的workbook.active切换逻辑里，调一次不等于导成功一次。
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！
