前言：excel能干的，python也可以。本文 python实现了几种常用的excel操作，并且这些一旦完成，都是自动化可复用的。并且还有一些强大功能是excel无法比拟的。

excel占领办公领域已经大半个世纪，进入人工智能新时代后，其霸主地位受到python等语言和工具的挑战。编程不再是专业人士的专利，而是“飞入寻常百姓家”的日用工具了，在前面那篇表哥表姐！是时候扔掉Excel了文章里，已经阐明了这个观点。

用Python来做Excel的活

接下来，我们会用更实际的例子来证明Python已经是Excel无可比拟的对手，是Excel的掘墓人。在这些例子里会展示一些常见的Excel任务以及如何在python的pandas中执行类似的任务。虽然例子有些微不足道，但足够能体现用python来化繁为简的创造性的解决问题的能力呢。

向行添加总和

介绍的第一项任务是汇总列数据，并添加总列。

首先将excel数据导入到pandas数据帧中。

import pandas as pdimport numpy as npdf = pd.read_excel("excel-comp-data.xlsx")df.head()

第一项任务是汇总一些列以添加总列

结果如下：

接下来，进行求和：

df [ “total” ] = df [ “Jan” ] + df [ “Feb” ] + df [ “Mar” ] df .head（）

接下来，按每个月汇总。以下是执行的操作，如Excel中所示：

如上图所示，在excel中用 SUM(G2:G16) 在每列中添加了第17行，以按月获得总计。

这种列操作在python中简直是小意思。

df [ “Jan” ] 。sum （）， df [ “Jan” ] 。mean （），df [ “Jan” ] 。min （），df [ “Jan” ] 。max （）（1462000,97466.666666666672,10000,162000）

再举一个例子，将状态缩写添加到数据集中。

自动纠错转换

从Excel的角度来看，最简单的方法可能是添加一个新列，对州名进行vlookup并填写缩写。

这里是excel操作结果：

您会注意到执行vlookup后，有些值无法正确显示。那是因为拼错了一些州。在在大数据集情况下，Excel中处理这将是非常具有挑战性的。

幸运的是，python可以搞定，而且非常容易。wuzzy库非常棒，可以自动纠错。

首先安装wuzzy 库。

pip install wuzzy

首先导入适当的fuzzywuzzy函数并定义我们的状态映射字典。

from fuzzywuzzy import fuzzfrom fuzzywuzzy import processstate_to_code = {"VERMONT": "VT", "GEORGIA": "GA", "IOWA": "IA", "Armed Forces Pacific": "AP", "GUAM": "GU", "KANSAS": "KS", "FLORIDA": "FL", "AMERICAN SAMOA": "AS", "NORTH CAROLINA": "NC", "HAWAII": "HI", "NEW YORK": "NY", "CALIFORNIA": "CA", "ALABAMA": "AL", "IDAHO": "ID", "FEDERATED STATES OF MICRONESIA": "FM", "Armed Forces Americas": "AA", "DELAWARE": "DE", "ALASKA": "AK", "ILLINOIS": "IL", "Armed Forces Africa": "AE", "SOUTH DAKOTA": "SD", "CONNECTICUT": "CT", "MONTANA": "MT", "MASSACHUSETTS": "MA", "PUERTO RICO": "PR", "Armed Forces Canada": "AE", "NEW HAMPSHIRE": "NH", "MARYLAND": "MD", "NEW MEXICO": "NM", "MISSISSIPPI": "MS", "TENNESSEE": "TN", "PALAU": "PW", "COLORADO": "CO", "Armed Forces Middle East": "AE", "NEW JERSEY": "NJ", "UTAH": "UT", "MICHIGAN": "MI", "WEST VIRGINIA": "WV", "WASHINGTON": "WA", "MINNESOTA": "MN", "OREGON": "OR", "VIRGINIA": "VA", "VIRGIN ISLANDS": "VI", "MARSHALL ISLANDS": "MH", "WYOMING": "WY", "OHIO": "OH", "SOUTH CAROLINA": "SC", "INDIANA": "IN", "NEVADA": "NV", "LOUISIANA": "LA", "NORTHERN MARIANA ISLANDS": "MP", "NEBRASKA": "NE", "ARIZONA": "AZ", "WISCONSIN": "WI", "NORTH DAKOTA": "ND", "Armed Forces Europe": "AE", "PENNSYLVANIA": "PA", "OKLAHOMA": "OK", "KENTUCKY": "KY", "RHODE ISLAND": "RI", "DISTRICT OF COLUMBIA": "DC", "ARKANSAS": "AR", "MISSOURI": "MO", "TEXAS": "TX", "MAINE": "ME"}

以下是wuzzy模糊文本匹配功能如何工作的一些例子。

process.extractOne("Minnesotta",choices=state_to_code.keys())('MINNESOTA', 95)process.extractOne("AlaBAMMazzz",choices=state_to_code.keys(),score_cutoff=80)

现在我们知道它是如何工作的，创建函数来获取状态列并将其转换为有效的缩写。对此数据使用80 score_cutoff。您可以使用它来查看适用于您的数据的数字。你会注意到要么返回一个有效的缩写，要么np.nan 字段中有一些有效的值。

def convert_state(row): abbrev = process.extractOne(row["state"],choices=state_to_code.keys(),score_cutoff=80) if abbrev: return state_to_code[abbrev[0]] return np.nan

在想要的位置添加列，并用NaN值填充它:

df_final.insert(6, "abbrev", np.nan)df_final.head()

使用 apply 将缩写添加到approriate列中。

df_final [ 'abbrev' ] = df_final 。apply （convert_state ， axis = 1 ）df_final.head（）

一个非常简单的智能清理数据功能开发完毕。当数据只有15行左右时，这不是什么大问题。但是，如果有15,000呢？难道你想在Excel中一行行手动来处理这些?

分类汇总

本文的末尾，按州汇总一些数据。

在Excel中，将使用该 subtotal 工具执行此操作。

输出看起来像这样：

在pandas中创建小计是使用groupby来实现汇总。

df_sub = df_final [[ “abbrev” ，“Jan” ，“Feb” ，“Mar” ，“total” ]] 。groupby （'abbrev' ）。sum （）df_sub

接下来，通过使用 applymap 数据框中的所有值将数据格式化为货币。注意，定义的money函数，用在apply里很高效。

def money(x): return "${:,.0f}".format(x)formatted_df = df_sub.applymap(money)formatted_df

处理后的格式看起来不错，接下来按月份进行汇总。

sum_row=df_sub[["Jan","Feb","Mar","total"]].sum()sum_rowJan 1462000Feb 1507000Mar 717000total 3686000dtype: int64

将值转换为列并对其进行格式化。

df_sub_sum = pd 。DataFrame （data = sum_row ）。T df_sub_sum = df_sub_sum 。applymap （money ）df_sub_sum

最后，将总值添加到DataFrame。

final_table = formatted_df.append(df_sub_sum)final_table

您会注意到数据的最末尾索引为“0”。如何重命名为一个有意义的名字呢？用 rename 。

final_table = final_table.rename(index={0:"Total"})final_table

最后发现，索引变为了Total，一切都很完美了！

结论

希望本文能帮助到那些希望替换掉Excel并换用Python的朋友。希望这些例子可以帮助其他人相信他们可以用Python来避免大量Excel数据操作。如果您有其他Excel操作，自己试验过，但是仍然没成功，而且想要学习如何在python里来进行相应操作，请通过以下评论告诉我，我会尽力提供帮助。