2024年最全Python处理Excel，学会这十四个方法，工作量减少大半！

所有操作都用Python自动实现，加班？不存在的！

excel和python其实都是工具，不要也不用拿去做对比，研究哪个好用，excel作为最为全球广泛的数据处理工具，垄断多年，肯定在数据处理方面有自己的优点，Python只是令 一些庞大的，费时间的操作加速处理，方便工作嘛。

当然也有很多excel的操作比用Python自动处理更加简单方便。

比如：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，python要判断格式，若非数值型数据会直接。我就不一一举例了！

好了，我们开始正题。

在网上找的销售数据，差不多长这样。

销售数据

1、数据透视表

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=“地区名称”,columns=“业务员名称”,values=“利润”,aggfunc=[np.sum,np.mean])

兄弟们学习python，有时候不知道怎么学，从哪里开始学。掌握了基本的一些语法或者做了两个案例后，不知道下一步怎么走，不知道如何去学习更加高深的知识。

那么对于这些大兄弟们，我准备了大量的免费视频教程，PDF电子书籍，以及视频源的源代码！

还会有大佬解答！

都在这个裙里了 点我快速进入

欢迎加入，一起讨论 一起学习！

2、去除重复值

需求

去除业务员编码的重复值

sale.drop_duplicates(“业务员编码”,inplace=True)

3、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()

4、关联公式:Vlookup

vlookup是excel几乎最常用的公式，一般用于两个表的关联查询等。

所以我先把这张表分为两个表。

df1=sale[[‘订单明细号’,‘单据日期’,‘地区名称’, ‘业务员名称’,‘客户分类’, ‘存货编码’, ‘客户名称’, ‘业务员编码’, ‘存货名称’, ‘订单号’,

‘客户编码’, ‘部门名称’, ‘部门编码’]]

df2=sale[[‘订单明细号’,‘存货分类’, ‘税费’, ‘不含税金额’, ‘订单金额’, ‘利润’, ‘单价’,‘数量’]]

需求

想知道df1的每一个订单对应的利润是多少

利润一列存在于df2的表格中，所以想知道df1的每一个订单对应的利润是多少。

用excel的话首先确认订单明细号是唯一值，然后在df1新增一列写：=vlookup(a2,df2!a:h,6,0) ，然后往下拉就ok了。

那用python是如何实现的呢？

#查看订单明细号是否重复，结果是没。

df1[“订单明细号”].duplicated().value_counts()

df2[“订单明细号”].duplicated().value_counts()

df_c=pd.merge(df1,df2,on=“订单明细号”,how=“left”)

5、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()

6、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Dataframe

sale_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)

7、对比两列差异

因为这表每列数据维度都不一样，比较起来没啥意义，所以我先做了个订单明细号的差异再进行比较。

需求：比较订单明细号与订单明细号2的差异并显示出来。

sale[“订单明细号2”]=sale[“订单明细号”]

#在订单明细号2里前10个都+1.

sale[“订单明细号2”][1:10]=sale[“订单明细号2”][1:10]+1

#差异输出

result=sale.loc[sale[“订单明细号”].isin(sale[“订单明细号2”])==False]

8、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()

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！