你是不是也有过这样的经历——
每月末要对上千行的销售数据做汇总统计，对着Excel表格点点点、拖拖拖，眼睛都花了；领导突然要改个统计维度，你得从头再来一遍；数据量大了Excel直接卡死……
今天我要告诉你一个更高效的方式——用Python的Pandas库处理Excel，10行代码就能完成那些让你头疼半天的工作。
一、为什么选择Pandas？
Pandas是Python数据分析领域最核心的库，它能帮你：
- 几秒钟读取上万行Excel数据
- 一键完成筛选、排序、汇总
- 自动生成统计报表
- 把重复性工作变成可复用的代码
最重要的是，学会后你可以告别手动操作Excel的痛苦，每次需要类似分析时，运行一下代码就搞定了。
二、环境准备：5分钟安装完成
1. 安装Python
如果你的电脑还没装Python，强烈推荐安装Thonny。它是一款专为初学者设计的Python IDE，内置Python解释器，界面简洁，安装就能用，非常适合入门学习。
下载地址：https://thonny.org
2. 安装Pandas
打开命令行（Windows按Win+R，输入cmd；Mac打开终端），输入：
pip install pandas openpyxlopenpyxl是Pandas读取Excel文件需要的支持库。安装完成后，打开Thonny，我们就可以开始写代码了。
三、核心代码：10行搞定Excel处理
先来看一个完整例子：读取销售数据，计算每个销售员的业绩总额，然后保存结果。
# 第1行：导入Pandas库
import pandas as pd
# 第2行：读取Excel文件
df = pd.read_excel('销售数据.xlsx')
# 第3-4行：数据清洗，去掉重复行和空值
df = df.drop_duplicates()
df = df.dropna()
# 第5行：按销售员分组，计算业绩总额
sales_summary = df.groupby('销售员')['销售额'].sum().reset_index()
# 第6行：添加一列"排名"
sales_summary['排名'] = sales_summary['销售额'].rank(ascending=False).astype(int)
# 第7-8行：按业绩降序排列，重命名列
sales_summary = sales_summary.sort_values('销售额', ascending=False)
sales_summary.columns = ['销售员', '业绩总额', '排名']
# 第9行：保存结果到新Excel
sales_summary.to_excel('销售业绩汇总.xlsx', index=False)
# 第10行
print("处理完成！结果已保存。")
把这10行代码保存成
.py文件，下次有新的销售数据，直接运行就能得到汇总结果。四、代码详解：每个函数的作用
| 行号 | 代码 | 作用 |
|---|---|---|
| 1 | import pandas as pd |
导入Pandas库，pd是它的别名，之后用起来更方便 |
| 2 | pd.read_excel('文件路径') |
读取Excel文件，返回一个叫DataFrame的数据表格 |
| 3 | drop_duplicates() |
删除重复的行，避免重复计算 |
| 4 | dropna() |
删除含有空值的行，保证数据完整性 |
| 5 | groupby().sum() |
按某列分组，对另一列求和——这是统计汇总的核心 |
| 6 | rank() |
计算排名 |
| 7 | sort_values() |
按指定列排序，ascending=False表示降序 |
| 8 | columns = [...] |
重命名列，让表头更清晰 |
| 9 | to_excel() |
将结果保存为Excel文件，index=False表示不保存行号 |
小贴士：你不需要记住所有函数，用到时查文档就好。记住核心逻辑：读取→处理→保存。
五、实战场景：学以致用
场景1：学生成绩统计分析
假设你有一份学生成绩单，想计算每个班的平均分：
import pandas as pd
df = pd.read_excel('学生成绩.xlsx')
class_avg = df.groupby('班级')['总分'].mean().round(2) # 保留2位小数
class_avg.to_excel('班级平均分.xlsx')
场景2：筛选符合条件的记录
找出销售额超过10000的订单：
df = pd.read_excel('订单数据.xlsx')
high_value = df[df['销售额'] > 10000]
high_value.to_excel('高价值订单.xlsx', index=False)
这里的
df[条件]是Pandas的筛选语法，非常直观。场景3：多条件统计
统计每个部门、不同产品线的销量：
df = pd.read_excel('销售数据.xlsx')
report = df.groupby(['部门', '产品线'])['销量'].agg(['sum', 'mean', 'count'])
report.to_excel('部门产品统计.xlsx')agg(['sum', 'mean', 'count'])能同时计算总和、平均值、计数，一个命令搞定多维度统计。六、进阶方向：接下来学什么？
学会基础操作后，你可以继续探索：
数据可视化：用Matplotlib或Seaborn把数据画成图表，让分析结果更直观
- 数据清洗进阶：处理缺失值、异常值、统一数据格式
- 时间序列分析：分析销售趋势、季节性波动
- 自动化报表：结合定时任务，实现数据的自动更新和报表生成
写在最后
Pandas最强大的地方在于：你用代码处理过一次的工作，下次可以直接复用。与其每次花半小时手动操作Excel，不如花20分钟写一段代码，一劳永逸。
上手其实没那么难，今天分享的10行代码已经能覆盖80%的日常需求了。建议你找一份自己的Excel数据，动手试一试——相信我，跑通第一个代码的那一刻，你会很有成就感。
如果遇到问题，欢迎在评论区留言，我们一起解决！
