python处理excel实例-用Python完成Excel的常用操作

在以前，商业分析对应的英文单词是Business Analysis，大家用的分析工具是Excel，后来数据量大了，Excel应付不过来了（Excel最大支持行数为1048576行），人们开始转向python和R这样的分析工具了，这时候商业分析对应的单词是Business Analytics。

其实python和Excel的使用准则一样，都是[We don't repeat ourselves]，都是尽可能用更方便的操作替代机械操作和纯体力劳动。用python做数据分析，离不开著名的pandas包，经过了很多版本的迭代优化，pandas现在的生态圈已经相当完整了，官网还给出了它和其他分析工具的对比：

本文用的主要也是pandas，绘图用的库是plotly，实现的Excel的常用功能有：

Python和Excel的交互

vlookup函数

数据透视表

绘图

以后如果发掘了更多Excel的功能，会回来继续更新和补充。开始之前，首先按照惯例加载pandas包：

import numpy as np

import pandas as pd

pd.set_option('max_columns', 10)

pd.set_option('max_rows', 20)

pd.set_option('display.float_format', lambda x: '%.2f' % x) # 禁用科学计数法

Python和Excel的交互

pandas里最常用的和Excel I/O有关的四个函数是read_csv/ read_excel/ to_csv/ to_excel，它们都有特定的参数设置，可以定制想要的读取和导出效果。比如说想要读取这样一张表的左上部分：

可以用pd.read_excel("test.xlsx", header=1, nrows=17, usecols=3)，返回结果：

df

Out[]:

工号 姓名 性别 部门

0 A0001 张伟 男 工程

1 A0002 王秀英 女 人事

2 A0003 王芳 女 行政

3 A0004 郑勇 男 市场

4 A0005 张丽 女 研发

5 A0006 王艳 女 后勤

6 A0007 李勇 男 市场

7 A0008 李娟 女 工程

8 A0009 张静 女 人事

9 A0010 王磊 男 行政

10 A0011 李娜 女 市场

11 A0012 刘诗雯 女 研发

12 A0013 王刚 男 后勤

13 A0014 叶倩 女 后勤

14 A0015 金雯雯 女 市场

15 A0016 王超杰 男 工程

16 A0017 李军 男 人事

输出函数也同理，使用多少列，要不要index，标题怎么放，都可以控制。

vlookup函数

vlookup号称是Excel里的神器之一，用途很广泛，下面的例子来自豆瓣，VLOOKUP函数最常用的10种用法，你会几种?

案例一

问题：A3:B7单元格区域为字母等级查询表，表示60分以下为E级、60~69分为D级、70~79分为C级、80~89分为B级、90分以上为A级。D:G列为初二年级1班语文测验成绩表，如何根据语文成绩返回其字母等级？

image.png

方法：在H3:H13单元格区域中输入=VLOOKUP（G3, $A$3:$B$7, 2）

python实现：

df = pd.read_excel("test.xlsx", sheet_name=0)

def grade_to_point(x):

if x >= 90:

return 'A'

elif x >= 80:

return 'B'

elif x >= 70:

return 'C'

elif x >= 60:

return 'D'

else:

return 'E'

df['等级'] = df['语文'].apply(grade_to_point)

df

Out[]:

学号 姓名 性别 语文 等级

0 101 王小丽 女 69 D

1 102 王宝勤 男 85 B

2 103 杨玉萍 女 49 E

3 104 田东会 女 90 A

4 105 陈雪蛟 女 73 C

5 106 杨建丰 男 42 E

6 107 黎梅佳 女 79 C

7 108 张兴 男 91 A

8 109 马进春 女 48 E

9 110 魏改娟 女 100 A

10 111 王冰研 女 64 D

案例二

问题：在Sheet1里面如何查找折旧明细表中对应编号下的月折旧额？（跨表查询）

方法：在Sheet1里面的C2:C4单元格输入 =VLOOKUP(A2, 折旧明细表!A$2:$G$12, 7, 0)

python实现：使用merge将两个表按照编号连接起来就行

df1 = pd.read_excel("test.xlsx", sheet_name='折旧明细表')

df2 = pd.read_excel("test.xlsx", sheet_name=1) #题目里的sheet1

df2.merge(df1[['编号', '月折旧额']], how='left', on='编号')

Out[]:

编号 资产名称 月折旧额

0 YT001 电动门 1399

1 YT005 桑塔纳轿车 1147

2 YT008 打印机 51

案例三

问题：类似于案例二，但此时需要使用近似查找

方法：在B2:B7区域中输入公式=VLOOKUP(A2&"*", 折旧明细表!$B$2:$G$12, 6, 0)

python实现：这个比起上一个要麻烦一些，需要用到一些pandas的使用技巧

df1 = pd.read_excel("test.xlsx", sheet_name='折旧明细表')

df3 = pd.read_excel("test.xlsx", sheet_name=3) #含有资产名称简写的表

df3['月折旧额'] = 0

for i in range(len(df3['资产名称'])):

df3['月折旧额'][i] = df1[df1['资产名称'].map(lambda x:df3['资产名称'][i] in x)]['月折旧额']

df3

Out[]:

资产名称 月折旧额

0 电动 1399

1 货车 2438

2 惠普 132

3 交联 10133

4 桑塔纳 1147

5 春兰 230

案例四

问题：在Excel中录入数据信息时，为了提高工作效率，用户希望通过输入数据的关键字后，自动显示该记录的其余信息，例如，输入员工工号自动显示该员工的信命，输入物料号就能自动显示该物料的品名、单价等。如图所示为某单位所有员工基本信息的数据源表，在"2010年3月员工请假统计表”工作表中，当在A列输入员工工号时，如何实现对应员工的姓名、身份证号、部门、职务、入职日期等信息的自动录入？

方法：使用VLOOKUP+MATCH函数，在"2010年3月员工请假统计表”工作表中选择B3:F8单元格区域，输入下列公式=IF($A3="","",VLOOKUP($A3,员工基本信息!$A:$H,MATCH(B$2,员工基本信息!$2:$2,0),0))，按下【Ctrl+Enter】组合键结束。

python实现：上面的Excel的方法用得很灵活，但是pandas的想法和操作更简单方便些

df4 = pd.read_excel("test.xlsx", sheet_name='员工基本信息表')

df5 = pd.read_excel("test.xlsx", sheet_name='请假统计表')

df5.merge(df4[['工号', '姓名', '部门', '职务', '入职日期']], on='工号')

Out[]:

工号 姓名 部门 职务 入职日期

0 A0004 龚梦娟 后勤 主管 2006-11-20

1 A0003 赵敏 行政 文员 2007-02-16

2 A0005 黄凌 研发 工程师 2009-01-14

3 A0007 王维 人事 经理 2006-07-24

4 A0016 张君宝 市场 工程师 2007-08-14

5 A0017 秦羽 人事 副经理 2008-03-06

案例五

问题：用VLOOKUP函数实现批量查找，VLOOKUP函数一般情况下只能查找一个，那么多项应该怎么查找呢？如下图，如何把张一的消费额全部列出？

方法：在C9：C11单元格里面输入公式=VLOOKUP(B$9&ROW(A1),IF({1,0},$B$2:$B$6&COUNTIF(INDIRECT("b2:b"&ROW($2:$6)),B$9),$C$2:$C$6),2,)，按SHIFT+CTRL+ENTER键结束。

python实现：vlookup函数有两个不足（或者算是特点吧），一个是被查找的值一定要在区域里的第一列，另一个是只能查找一个值，剩余的即便能匹配也不去查找了，这两点都能通过灵活应用if和indirect函数来解决，不过pandas能做得更直白一些

df6 = pd.read_excel("test.xlsx", sheet_name='消费额')

df6[df6['姓名'] == '张一'][['姓名', '消费额']]

Out[]:

姓名 消费额

0 张一 100

2 张一 300

4 张一 1000

数据透视表

数据透视表是Excel的另一个神器，本质上是一系列的表格重组整合的过程。这里用的案例来自知乎，Excel数据透视表有什么用途？

问题：需要汇总各个区域，每个月的销售额与成本总计，并同时算出利润

通过Excel的数据透视表的操作最终实现了下面这样的效果：

python实现：对于这样的分组的任务，首先想到的就是pandas的groupby，代码写起来也简单，思路就是把刚才Excel的点鼠标的操作反映到代码命令上：

df = pd.read_excel('test.xlsx', sheet_name='销售统计表')

df['订购月份'] = df['订购日期'].apply(lambda x:x.month)

df2 = df.groupby(['订购月份', '所属区域'])[['销售额', '成本']].agg('sum')

df2['利润'] = df2['销售额'] - df2['成本']

df2

Out[]:

销售额 成本 利润

订购月份 所属区域

1 南京 134313.61 94967.84 39345.77

常熟 177531.47 163220.07 14311.40

无锡 316418.09 231822.28 84595.81

昆山 159183.35 145403.32 13780.03

苏州 287253.99 238812.03 48441.96

2 南京 187129.13 138530.42 48598.71

常熟 154442.74 126834.37 27608.37

无锡 464012.20 376134.98 87877.22

昆山 102324.46 86244.52 16079.94

苏州 105940.34 91419.54 14520.80

... ... ...

11 南京 286329.88 221687.11 64642.77

常熟 2118503.54 1840868.53 277635.01

无锡 633915.41 536866.77 97048.64

昆山 351023.24 342420.18 8603.06

苏州 1269351.39 1144809.83 124541.56

12 南京 894522.06 808959.32 85562.74

常熟 324454.49 262918.81 61535.68

无锡 1040127.19 856816.72 183310.48

昆山 1096212.75 951652.87 144559.87

苏州 347939.30 302154.25 45785.05

[60 rows x 3 columns]

也可以使用pandas里的pivot_table函数来实现：

df3 = pd.pivot_table(df, values=['销售额', '成本'], index=['订购月份', '所属区域'] , aggfunc='sum')

df3['利润'] = df3['销售额'] - df3['成本']

df3

Out[]:

成本 销售额 利润

订购月份 所属区域

1 南京 94967.84 134313.61 39345.77

常熟 163220.07 177531.47 14311.40

无锡 231822.28 316418.09 84595.81

昆山 145403.32 159183.35 13780.03

苏州 238812.03 287253.99 48441.96

2 南京 138530.42 187129.13 48598.71

常熟 126834.37 154442.74 27608.37

无锡 376134.98 464012.20 87877.22

昆山 86244.52 102324.46 16079.94

苏州 91419.54 105940.34 14520.80

... ... ...

11 南京 221687.11 286329.88 64642.77

常熟 1840868.53 2118503.54 277635.01

无锡 536866.77 633915.41 97048.64

昆山 342420.18 351023.24 8603.06

苏州 1144809.83 1269351.39 124541.56

12 南京 808959.32 894522.06 85562.74

常熟 262918.81 324454.49 61535.68

无锡 856816.72 1040127.19 183310.48

昆山 951652.87 1096212.75 144559.87

苏州 302154.25 347939.30 45785.05

[60 rows x 3 columns]

pandas的pivot_table的参数index/ columns/ values和Excel里的参数是对应上的（当然，我这话说了等于没说，数据透视表里不就是行/列/值吗还能有啥。。）

但是我个人还是更喜欢用groupby，因为它运算速度非常快。我在打kaggle比赛的时候，有一张表是贷款人的行为信息，大概有2700万行，用groupby算了几个聚合函数，几秒钟就完成了。

groupby的功能很全面，内置了很多aggregate函数，能够满足大部分的基本需求，如果你需要一些其他的函数，可以搭配使用apply和lambda。不过pandas的官方文档说了，groupby之后用apply速度非常慢，aggregate内部做过优化，所以很快，apply是没有优化的，所以建议有问题先想想别的方法，实在不行的时候再用apply。我打比赛的时候，为了生成一个新变量，用了groupby的apply，写了这么一句:ins['weight'] = ins[['SK_ID_PREV', 'DAYS_ENTRY_PAYMENT']].groupby('SK_ID_PREV').apply(lambda x: 1-abs(x)/x.sum().abs()).iloc[:,1]，1000万行的数据，足足算了十多分钟，等得我心力交瘁。。

绘图

因为Excel画出来的图能够交互，能够在图上进行一些简单操作，所以这里用的python的可视化库是plotly，案例就用我这个学期发展经济学课上的作业吧，当时的图都是用Excel画的，现在用python再画一遍。开始之前，首先加载plotly包。

import plotly.offline as off

import plotly.graph_objs as go

off.init_notebook_mode()

柱状图

当时用Excel画了很多的柱状图，其中的一幅图是

下面用plotly来画一下

df = pd.read_excel("plot.xlsx", sheet_name='高等教育入学率')

trace1 = go.Bar(

x=df['国家'],

y=df[1995],

name='1995',

opacity=0.6,

marker=dict(

color='powderblue'

)

)

trace2 = go.Bar(

x=df['国家'],

y=df[2005],

name='2005',

opacity=0.6,

marker=dict(

color='aliceblue',

)

)

trace3 = go.Bar(

x=df['国家'],

y=df[2014],

name='2014',

opacity=0.6,

marker=dict(

color='royalblue'

)

)

layout = go.Layout(barmode='group')

data = [trace1, trace2, trace3]

fig = go.Figure(data, layout)

off.plot(fig)

雷达图

用Excel画的：

用python画的：

df = pd.read_excel('plot.xlsx', sheet_name='政治治理')

theta = df.columns.tolist()

theta.append(theta[0])

names = df.index

df[''] = df.iloc[:,0]

df = np.array(df)

trace1 = go.Scatterpolar(

r=df[0],

theta=theta,

name=names[0]

)

trace2 = go.Scatterpolar(

r=df[1],

theta=theta,

name=names[1]

)

trace3 = go.Scatterpolar(

r=df[2],

theta=theta,

name=names[2]

)

trace4 = go.Scatterpolar(

r=df[3],

theta=theta,

name=names[3]

)

data = [trace1, trace2, trace3, trace4]

layout = go.Layout(

polar=dict(

radialaxis=dict(

visible=True,

range=[0,1]

)

),

showlegend=True

)

fig = go.Figure(data, layout)

off.plot(fig)

画起来比Excel要麻烦得多。总体而言，如果画简单基本的图形，用Excel是最方便的，如果要画高级一些的或者是需要更多定制化的图形，使用python更合适。