在数据处理和分析的过程中，Excel文件是我们日常工作中常见的格式。通过Python，我们可以实现对Excel文件的各种自动化操作，提高工作效率。

本文将分享20个实用的Excel自动化脚本，以帮助新手小白更轻松地掌握这些技能。

1. Excel单元格批量填充

import pandas as pd  

# 批量填充指定列的单元格  
def fill_column(file_path, column_name, value):  
    df = pd.read_excel(file_path)  
    df[column_name] = value  # 将指定列的所有单元格填充为value  
    df.to_excel(file_path, index=False)  

fill_column('example.xlsx', '备注', '已处理')  
print("备注列已成功填充！")

解释

此脚本将example.xlsx中的“备注”列全部填充为“已处理”。对于普通用户来说，处理大量数据时常需要对某一列进行统一标记，这个功能就显得尤为重要。

2. 设置行高与列宽

from openpyxl import load_workbook  

# 设置Excel的行高与列宽  
def set_row_column_size(file_path):  
    wb = load_workbook(file_path)  
    ws = wb.active  

    # 设置第一行行高、第一列列宽  
    ws.row_dimensions[1].height = 30  # 设置行高  
    ws.column_dimensions['A'].width = 20  # 设置列宽  

    wb.save(file_path)  

set_row_column_size('example.xlsx')  
print("行高和列宽设置成功！")

解释

这个脚本为Excel文件设置了第一行的行高和第一列的列宽。适当调整行高和列宽可以提高表格的可读性，尤其是在内容较多或较复杂时，使用此功能可以使报告更加美观易读。

3. 根据条件删除行

# 根据条件删除Excel中的行  
def delete_rows_based_on_condition(file_path, column_name, condition):  
    df = pd.read_excel(file_path)  
    df = df[df[column_name] != condition]  # 删除满足条件的行  
    df.to_excel(file_path, index=False)  

delete_rows_based_on_condition('example.xlsx', '状态', '无效')  
print("符合条件的行已删除！")

解释

该脚本从Excel中删除“状态”列中值为“无效”的行。这种操作在数据清理过程中非常常见，有助于减少数据集中的噪声，提高数据分析的准确性。

4. 创建新的Excel工作表

# 在现有Excel文件中创建新的工作表  
def create_new_sheet(file_path, sheet_name):  
    wb = load_workbook(file_path)  
    wb.create_sheet(title=sheet_name)  # 创建新的工作表  
    wb.save(file_path)  

create_new_sheet('example.xlsx', '新工作表')  
print("新工作表创建成功！")

解释

该脚本在已有的Excel文件中创建一个新的工作表。这对于组织数据，分开不同任务或项目的数据非常有用，保持文件结构的清晰。

5. 导入CSV文件到Excel

# 将CSV文件导入到Excel工作表  
def import_csv_to_excel(csv_file, excel_file):  
    df = pd.read_csv(csv_file)  
    df.to_excel(excel_file, index=False)  

import_csv_to_excel('data.csv', 'imported_data.xlsx')  
print("CSV文件成功导入到Excel！")

解释

这个脚本将CSV文件导入到Excel中。很多时候，数据是以CSV格式提供的，通过该脚本可以方便地将其转换为Excel格式，便于后续分析和处理。

6. 数据透视表生成

# 生成数据透视表并保存到新的Excel文件  
def generate_pivot_table(file_path, index_column, values_column, output_file):  
    df = pd.read_excel(file_path)  
    pivot_table = df.pivot_table(index=index_column, values=values_column, aggfunc='sum')  # 汇总  
    pivot_table.to_excel(output_file)  

generate_pivot_table('sales_data.xlsx', '地区', '销售额', 'pivot_output.xlsx')  
print("透视表生成成功！")

解释

该脚本根据给定的“地区”和“销售额”列生成汇总透视表，并保存到新文件中。在进行业务分析时，透视表能快速展示不同维度下的数据总结。

7. 格式化Excel

from openpyxl.styles import Font, Color  

# 设置Excel单元格字体样式  
def format_cells(file_path):  
    wb = load_workbook(file_path)  
    ws = wb.active  

    for cell in ws['A']:  # 遍历A列  
        cell.font = Font(bold=True, color="FF0000")  # 设置字体加粗和红色  

    wb.save(file_path)  

format_cells('example.xlsx')  
print("单元格格式化成功！")

解释

该脚本将example.xlsx中的A列字体设置为加粗和红色。这种格式化通常用于强调特定数据，使报告更具视觉吸引力。

8. 分析并输出描述性统计

# 输出描述性统计到Excel  
def descriptive_statistics(file_path, output_file):  
    df = pd.read_excel(file_path)  
    stats = df.describe()  # 计算描述性统计  
    stats.to_excel(output_file)  

descriptive_statistics('example.xlsx', 'statistics_output.xlsx')  
print("描述性统计输出成功！")

解释

该脚本计算Excel文件的描述性统计信息（如均值、标准差等），并将结果保存到新的Excel文件中。这对于了解数据的基本特征非常重要，尤其在数据分析前期阶段。

9. 批量修改Excel文件名称

import os  

# 批量重命名指定目录下的Excel文件  
def rename_excel_files(directory, prefix):  
    for filename in os.listdir(directory):  
        if filename.endswith('.xlsx'):  
            new_name = f"{prefix}_{filename}"  
            os.rename(os.path.join(directory, filename), os.path.join(directory, new_name))  
            print(f"已将 {filename} 重命名为 {new_name}")  

rename_excel_files('/path/to/excel/files', '2024')

解释

该脚本批量重命名指定目录中的所有Excel文件，在每个文件名前面添加一个前缀。对于需要处理大量Excel文件的用户来说，这种批量操作非常便利，比如根据年份或项目为文件命名，以便于管理和归档。

10. 自动发送包含Excel数据的电子邮件

import smtplib  
from email.mime.multipart import MIMEMultipart  
from email.mime.application import MIMEApplication  
from email.mime.text import MIMEText  

# 自动发送带有Excel附件的电子邮件  
def send_email(to_address, subject, body, excel_file):  
    from_address = "your_email@example.com"  
    password = "your_password"  

    msg = MIMEMultipart()  
    msg['From'] = from_address  
    msg['To'] = to_address  
    msg['Subject'] = subject  

    # 添加正文  
    msg.attach(MIMEText(body, 'plain'))  

    # 添加Excel附件  
    with open(excel_file, "rb") as attachment:  
        part = MIMEApplication(attachment.read(), Name=os.path.basename(excel_file))  
        part['Content-Disposition'] = f'attachment; filename="{os.path.basename(excel_file)}"'  
        msg.attach(part)  

    # 发送邮件  
    with smtplib.SMTP('smtp.example.com', 587) as server:  
        server.starttls()  
        server.login(from_address, password)  
        server.send_message(msg)  

send_email('recipient@example.com', 'Monthly Report', 'Please find attached the monthly report.', 'report.xlsx')  
print("邮件发送成功！")

解释

此脚本使用SMTP协议自动发送一封电子邮件，其中附带了一个Excel文件。这个功能在工作中尤其有用，比如每月定期发送财务报表或业绩报告给相关人员。通过自动化邮件发送，可以节省时间并减少人为错误。

11. 合并多个Excel文件

import pandas as pd
import os

def merge_excel_files(folder_path, output_file):
    all_data = pd.DataFrame()
    for filename in os.listdir(folder_path):
        if filename.endswith('.xlsx'):
            file_path = os.path.join(folder_path, filename)
            df = pd.read_excel(file_path)
            all_data = pd.concat([all_data, df], ignore_index=True)
    all_data.to_excel(output_file, index=False)

merge_excel_files('your_folder_path', 'merged_file.xlsx')
print("多个Excel文件合并成功！")

解释

该脚本将指定文件夹下的所有Excel文件合并成一个文件。在处理分散在多个文件中的数据时，这个功能可以将数据整合在一起，方便后续的统一分析。

12. 拆分Excel文件

import pandas as pd

def split_excel_file(file_path, column_name, output_folder):
    df = pd.read_excel(file_path)
    unique_values = df[column_name].unique()
    for value in unique_values:
        sub_df = df[df[column_name] == value]
        output_file = os.path.join(output_folder, f'{value}.xlsx')
        sub_df.to_excel(output_file, index=False)

split_excel_file('example.xlsx', '部门', 'output_folder')
print("Excel文件拆分成功！")

解释

此脚本根据指定列的唯一值将Excel文件拆分成多个文件。例如，按照“部门”列将数据拆分成不同部门对应的文件，便于各部门独立查看和处理自己的数据。

13. 替换单元格内容

import pandas as pd

def replace_cell_content(file_path, column_name, old_value, new_value):
    df = pd.read_excel(file_path)
    df[column_name] = df[column_name].replace(old_value, new_value)
    df.to_excel(file_path, index=False)

replace_cell_content('example.xlsx', '产品名称', '旧产品', '新产品')
print("单元格内容替换成功！")

解释

该脚本将指定列中的特定内容替换为新的内容。在数据修正或更新时，这个功能可以快速修改数据中的错误或过时信息。

14. 对数据进行排序

import pandas as pd

def sort_excel_data(file_path, column_name, ascending=True):
    df = pd.read_excel(file_path)
    df = df.sort_values(by=column_name, ascending=ascending)
    df.to_excel(file_path, index=False)

sort_excel_data('example.xlsx', '销售额', ascending=False)
print("数据排序成功！")

解释

这个脚本的主要功能是对 Excel 文件中的数据根据指定列进行排序操作，并且可以选择升序或降序排列，最后将排序后的数据保存回原 Excel 文件。排序操作在数据处理和分析中非常常见，例如按照销售额对销售数据进行降序排序，能快速找出销售额高的记录。

15. 统计特定列的唯一值数量

import pandas as pd

def count_unique_values(file_path, column_name):
    df = pd.read_excel(file_path)
    unique_count = df[column_name].nunique()
    print(f"{column_name}列的唯一值数量为: {unique_count}")

count_unique_values('example.xlsx', '客户编号')

解释

该脚本用于统计Excel文件中指定列的唯一值数量。在数据分析中，了解某列有多少不同的值可以帮助我们快速掌握数据的分布情况，例如统计客户编号的唯一值数量可以知道有多少不同的客户。

16. 提取指定列到新的Excel文件

import pandas as pd

def extract_columns(file_path, columns, output_file):
    df = pd.read_excel(file_path)
    new_df = df[columns]
    new_df.to_excel(output_file, index=False)

extract_columns('example.xlsx', ['姓名', '年龄'], 'extracted_columns.xlsx')
print("指定列提取成功！")

解释

此脚本可以从一个Excel文件中提取指定的列，并保存到一个新的Excel文件中。当我们只需要数据中的部分信息时，使用这个脚本可以快速筛选出所需的数据，避免处理大量无关信息。

17. 为Excel表格添加边框

from openpyxl import load_workbook
from openpyxl.styles import Border, Side

def add_border_to_excel(file_path):
    wb = load_workbook(file_path)
    ws = wb.active
    thin_border = Border(left=Side(style='thin'), 
                         right=Side(style='thin'), 
                         top=Side(style='thin'), 
                         bottom=Side(style='thin'))
    for row in ws.iter_rows():
        for cell in row:
            cell.border = thin_border
    wb.save(file_path)

add_border_to_excel('example.xlsx')
print("表格边框添加成功！")

解释

该脚本为Excel表格中的每个单元格添加了细边框。添加边框可以使表格更加清晰易读，特别是在打印或展示数据时，能够提升表格的美观度和专业性。

18. 检查Excel文件中是否存在空行并删除

import pandas as pd

def remove_empty_rows(file_path):
    df = pd.read_excel(file_path)
    df = df.dropna(how='all')
    df.to_excel(file_path, index=False)

remove_empty_rows('example.xlsx')
print("空行删除成功！")

解释

此脚本用于检查Excel文件中是否存在所有列都为空的行，并将这些空行删除。空行可能会影响数据处理和分析的结果，通过删除空行可以保证数据的完整性和准确性。

19. 根据多列条件筛选数据

import pandas as pd

def filter_data_by_multiple_conditions(file_path, conditions, output_file):
    df = pd.read_excel(file_path)
    query_str = ' & '.join([f'{col} {op} {val}' for col, op, val in conditions])
    filtered_df = df.query(query_str)
    filtered_df.to_excel(output_file, index=False)

# 示例条件：年龄大于25且性别为女
conditions = [('年龄', '>', 25), ('性别', '==', "'女'")]
filter_data_by_multiple_conditions('example.xlsx', conditions, 'filtered_data.xlsx')
print("多条件筛选数据成功！")

解释

该脚本可以根据多个列的条件对Excel数据进行筛选，并将筛选结果保存到新的文件中。在实际数据分析中，我们常常需要根据多个条件来筛选出符合要求的数据，使用这个脚本可以方便地实现多条件筛选。

20. 对Excel中的日期列进行格式化

import pandas as pd

def format_date_column(file_path, column_name, date_format):
    df = pd.read_excel(file_path)
    df[column_name] = pd.to_datetime(df[column_name]).dt.strftime(date_format)
    df.to_excel(file_path, index=False)

format_date_column('example.xlsx', '日期', '%Y-%m-%d')
print("日期列格式化成功！")

解释

此脚本用于对Excel文件中指定的日期列进行格式化。在处理日期数据时，不同的业务需求可能需要不同的日期格式，通过这个脚本可以将日期列转换为我们需要的格式，方便后续的数据分析和展示。

希望这些Excel自动化脚本能够进一步帮助你提高工作效率，更好地掌握Python在Excel数据处理方面的应用！如果你在实践过程中有任何疑问，欢迎随时交流。