python 对excel操作用法详解,用Python完成Excel的常用操作-简书
自从学了Python，我就强迫自己不用Excel，所有操作都用Python实现。目的是巩固Python，增强数据处理能力。本文总结了14种用Python实现的常用Excel操作，有需要可以参考一下。
00-1010前言一、关联公式：Vlookup二、数据透视表三、两列差异比较四、重复值剔除五、缺失值处理六、多条件筛选七、数据模糊筛选八、分类汇总九、条件计算十、数据XI间空格剔除、数据分类十二、异常值替换十三、分组十四、根据业务逻辑定义标签。
目录
自从学了Python，我就强迫自己不用Excel，所有操作都用Python实现。目的是巩固Python，增强数据处理能力。
这也是我写这篇文章的初衷。废话少说，言归正传。
是在数据网上找到的销售数据。看起来是这样的：
前言
Vlookup几乎是excel中最常用的公式，一般用于两个表的联查等。所以我先把这张桌子分成两张桌子。
1=销售[[订单明细编号，单据日期，地区名称，业务员名称，客户分类，存货代码，客户名称，业务员代码，存货名称，订单号，
客户代码，部门名称，部门代码]]
2=销售[[订单明细编号，存货分类，税，无税金额，订单金额，利润，单价，数量]]
需求：想知道df1的每一单利润是多少？
df2的表中存在利润列，所以想知道df1的每笔订单的利润是多少。如果使用excel，首先确认订单明细号是唯一值，然后在df1中增加一个新列写：=vlookup(a2，df2！A:h，6，0)，然后拉下来就可以了。(剩下的13个我就不写excel了)
那么在python中是如何实现的呢？
#检查订单明细号是否重复，结果为否
1 [订单详细编号]。已复制()。value _ counties()
2 [订单详细编号]。已复制()。value _ counties()
Df_c=pd.merge(df1，df2，on=订单详细编号，how=左)
一、关联公式：Vlookup
需求：想知道每个地区的业务员分别赚取的利润总和与利润平均数。
Pd.pivot_table(sale，index= regional name ，columns= salesman name ，values= profit ，aggfunc=[np.sum，np.mean])
二、数据透视表
因为这个表中每一列的数据维度都不一样，比较没有意义，所以我先做了一个订单明细号的区别，然后再比较。
需求：比较订单明细号和订单明细号2的区别并显示。
销售[订单详细编号2 ]=销售[订单详细编号]
#在订单明细编号2中，前10个都是1。
销售[订单明细编号2 ][1:10]=销售[订单明细编号2][1:10] 1
#差分输出
Result=sale.loc[sale[订单详细编号]。isin(sale[订单明细编号2])==False]
三、对比两列差异
需求：去除业务员编码的重复值
Sale.drop_duplicates(销售人员代码，inplace=True)
四、去除重复值
首先检查哪些销售数据列有缺失值。
#对小于索引的列中的行数的描述缺少值。这里，客户名称是329335，这表示缺少一个值。
sale.info()
需求：用0填
充缺失值或则删除有客户编码缺失值的行。实际上缺失值处理的办法是很复杂的，这里只介绍简单的处理方法，若是数值变量，最常用平均数或中位数或众数处理，比较复杂的可以用随机森林模型根据其他维度去预测结果填充。若是分类变量，根据业务逻辑去填充准确性比较高。比如这里的需求填充客户名称缺失值：就可以根据存货分类出现频率最大的存货所对应的客户名称去填充。
这里我们用简单的处理办法：用0填充缺失值或则删除有客户编码缺失值的行。
#用0填充缺失值sale["客户名称"]=sale["客户名称"].fillna(0)
#删除有客户编码缺失值的行
sale.dropna(subset=["客户编码"])
六、多条件筛选
需求：想知道业务员张爱，在北京区域卖的商品订单金额大于6000的信息。
sale.loc[(sale["地区名称"]=="北京")&(sale["业务员名称"]=="张爱")&(sale["订单金额"]>5000)]
七、 模糊筛选数据
需求:筛选存货名称含有"三星"或则含有"索尼"的信息。
sale.loc[sale["存货名称"].str.contains("三星索尼")]
八、分类汇总
需求:北京区域各业务员的利润总额。
sale.groupby(["地区名称","业务员名称"])["利润"].sum()
九、条件计算
需求：存货名称含三星字眼并且税费高于1000的订单有几个？这些订单的利润总和和平均利润是多少？（或者最小值，最大值，四分位数，标注差）
sale.loc[sale["存货名称"].str.contains("三星")&(sale["税费"]>=1000)][["订单明细号","利润"]].describe()
十、删除数据间的空格
需求：删除存货名称两边的空格。
sale["存货名称"].map(lambda s :s.strip(""))
十一、数据分列
需求：将日期与时间分列。
sale=pd.merge(sale,pd.DataFrame(sale["单据日期"].str.split(" ",expand=True)),how="inner",left_index=True,right_index=True)
十二、异常值替换
首先用describe()函数简单查看一下数据有无异常值。
#可看到销项税有负数，一般不会有这种情况，视它为异常值。sale.describe()
需求：用0代替异常值。
sale["订单金额"]=sale["订单金额"].replace(min(sale["订单金额"]),0)
十三、分组
需求：根据利润数据分布把地区分组为："较差","中等","较好","非常好"
首先，当然是查看利润的数据分布呀，这里我们采用四分位数去判断。
sale.groupby("地区名称")["利润"].sum().describe()
根据四分位数把地区总利润为[-9,7091]区间的分组为较差，(7091,10952]区间的分组为"中等" (10952,17656]分组为较好，(17656,37556]分组为非常好。
#先建立一个Dataframesale_area=pd.DataFrame(sale.groupby("地区名称")["利润"].sum()).reset_index()
#设置bins,和分组名称
bins=[-10,7091,10952,17656,37556]
groups=["较差","中等","较好","非常好"]
#使用cut分组
#sale_area["分组"]=pd.cut(sale_area["利润"],bins,labels=groups)
十四、根据业务逻辑定义标签
需求：销售利润率（即利润/订单金额）大于30%的商品信息并标记它为优质商品，小于5%为一般商品。
sale.loc[(sale["利润"]/sale["订单金额"])>0.3,"label"]="优质商品"sale.loc[(sale["利润"]/sale["订单金额"])<0.05,"label"]="一般商品"
其实excel常用的操作还有很多，我就列举了14个自己比较常用的，若还想实现哪些操作可以评论一起交流讨论，另外我自身也知道我写python不够精简，惯性使用loc。（其实query会比较精简）。若大家对这几个操作有更好的写法请务必评论告知我，感谢！
最后想说说，我觉得最好不要拿excel和python做对比，去研究哪个好用，其实都是工具，excel作为最为广泛的数据处理工具，垄断这么多年必定在数据处理方便也是相当优秀的，有些操作确实python会比较简单，但也有不少excel操作起来比python简单的。
比如一个很简单的操作：对各列求和并在最下一行显示出来，excel就是对一列总一个sum()函数，然后往左一拉就解决，而python则要定义一个函数（因为python要判断格式，若非数值型数据直接报错。）
以上就是14个用Python实现的Excel常用操作总结的详细内容，更多关于Python Excel操作的资料请关注盛行IT软件开发工作室其它相关文章！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。