Python实战拒绝加班！5分钟搞定Excel数据合并与可视化分析-Seo优化-合肥市网站建设公司

摘要：还在手动复制粘贴合并几十个Excel表格？还在为每天重复的日报、周报头秃？本文将带你通过一个真实的Python实战案例，利用Pandas和Matplotlib库，实现多文件自动读取、数据清洗、合并汇总以及生成可视化报表。让代码帮你工作，按时下班！

🔍 实战背景

作为一名“打工人”，我们经常会遇到这样的场景：

每个月都要从各个部门收集销售数据（例如sales_jan.xlsx,sales_feb.xlsx...）。
需要手动将这些表格合并到一个总表中。
根据总表数据，计算每个产品的销售总额。
画出柱状图，贴到PPT里汇报。

如果只有两三个文件还好，但如果有几十个文件，或者每天都要做一次，手动处理不仅效率低，还容易出错。今天，我们就用不到50行Python代码彻底解决这个问题。

🛠️ 环境准备

在开始之前，请确保你的Python环境中安装了以下核心库。如果没有安装，请在终端（Terminal/CMD）执行以下命令：

pip install pandas matplotlib openpyxl

Pandas: Python数据分析的神器，处理表格数据的首选。
Matplotlib: 最经典的绘图库，用于生成可视化图表。
Openpyxl: Pandas读取/写入Excel文件即需要依赖的引擎。

💻 代码实战步骤

我们将整个流程分为三个模块：数据构造（模拟环境）、数据合并与清洗、数据可视化。

1. 模拟数据（如果你已有数据可跳过）

为了演示方便，我们先写一段脚本，在当前目录下生成3个模拟的月度销售Excel文件。

import pandas as pd import random # 创建模拟数据的函数 def create_dummy_data(): products = ['键盘', '鼠标', '显示器', '显卡', '硬盘'] months = ['1月', '2月', '3月'] for month in months: data = { '产品名称': [random.choice(products) for _ in range(20)], '销售数量': [random.randint(1, 10) for _ in range(20)], '单价': [random.randint(100, 3000) for _ in range(20)], '月份': [month] * 20 } df = pd.DataFrame(data) # 计算销售额 df['销售额'] = df['销售数量'] * df['单价'] # 保存为Excel file_name = f'销售数据_{month}.xlsx' df.to_excel(file_name, index=False) print(f"✅ 已生成模拟文件: {file_name}") if __name__ == '__main__': create_dummy_data()

2. 核心逻辑：批量合并与分析

这是本文的重头戏。我们将使用glob模块查找文件，用pandas进行合并。

import pandas as pd import glob import os import matplotlib.pyplot as plt # 设置matplotlib支持中文显示（根据系统不同可能需要调整字体） plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 def process_sales_data(): # 1. 获取所有销售数据文件 # 假设文件都以 "销售数据_" 开头 file_list = glob.glob('销售数据_*.xlsx') if not file_list: print("❌ 未找到相关Excel文件，请检查路径。") return print(f"📂 发现 {len(file_list)} 个文件，准备合并...") # 2. 循环读取并合并 all_data = [] for file in file_list: try: df = pd.read_excel(file) all_data.append(df) except Exception as e: print(f"⚠️ 读取 {file} 失败: {e}") # 使用 concat 合并所有 DataFrame merged_df = pd.concat(all_data, ignore_index=True) print(f"📊 合并完成！总数据行数: {len(merged_df)}") # 3. 数据分析：按产品汇总销售额 # group by '产品名称', sum '销售额' summary = merged_df.groupby('产品名称')['销售额'].sum().sort_values(ascending=False) print("\n--- 销售排行榜 (Top 5) ---") print(summary.head()) return summary, merged_df # 执行处理 summary_data, raw_data = process_sales_data()

3. 数据可视化：一键生成报表图

有了处理好的summary_data，我们可以直接画图并保存。

def visualize_data(data): # 创建画布 plt.figure(figsize=(10, 6)) # 绘制柱状图 # data.index 是产品名称, data.values 是销售总额 bars = plt.bar(data.index, data.values, color='skyblue', edgecolor='blue') # 添加标题和标签 plt.title('第一季度各产品销售总额统计', fontsize=16) plt.xlabel('产品名称', fontsize=12) plt.ylabel('销售额 (元)', fontsize=12) # 在柱状图上方添加具体数值标签 for bar in bars: height = bar.get_height() plt.text(bar.get_x() + bar.get_width() / 2, height, f'{int(height)}', ha='center', va='bottom') plt.grid(axis='y', linestyle='--', alpha=0.7) # 保存图片 plt.savefig('销售分析报表.png') print("📈 图表已保存为 '销售分析报表.png'") # 显示图表 plt.show() # 调用绘图函数 if summary_data is not None: visualize_data(summary_data)