企业官网建设流程全解析

1. 从“5分钟读取”的困惑说起：为什么你的Python处理Excel这么慢？

最近在技术社区里，经常能看到类似“python读取excel数据全部读取耗时5分钟，仅读几列也是5分钟怎么回事”这样的问题。这其实是一个典型的“踩坑”场景，很多刚接触Python处理Excel的朋友，兴冲冲地写了几行代码，结果发现性能差得离谱，一个不大的文件都要等上好几分钟，完全不符合Python“高效自动化”的预期。我自己在早期做数据清洗和报表自动化时，也在这个问题上栽过跟头。

问题的根源往往不在于Python本身，而在于我们选择的工具库和使用方法。Python生态里处理Excel的库有好几个，比如老牌的xlrd/xlwt，功能强大的openpyxl，以及基于数据分析的pandas。如果你用错了场景，或者没掌握正确的“姿势”，性能瓶颈就会立刻显现。比如，你用openpyxl的默认方式去读取一个几十万行、带有复杂公式和格式的文件，慢是必然的。这就像用瑞士军刀去砍大树，不是刀不好，是你用错了工具。

这篇文章，我就以一个过来人的身份，手把手带你深入Python处理Excel的实战。我们不止要解决“怎么读怎么写”的基础问题，更要彻底搞明白背后的“为什么”，以及如何根据你的具体场景（是简单数据搬运，还是复杂格式保持，或是大数据量分析）选择最高效的方案。我会结合openpyxl、pandas以及一些性能优化技巧，让你告别“5分钟读取”的尴尬，真正实现高效、稳定的Excel自动化处理。

2. 工具选型：openpyxl、pandas还是其他？先搞清楚你的核心需求

在动手写第一行代码之前，搞清楚你要处理的是什么类型的Excel文件，以及你的核心操作是什么，这比盲目开始更重要。选对了工具，事半功倍；选错了，就是无尽的性能折磨和兼容性问题。

2.1 主流工具库的定位与边界

openpyxl这是目前处理.xlsx和.xlsm格式（即Excel 2007及以上版本）的事实标准。它的核心优势在于对Excel文件完整的对象模型支持。这意味着，你不仅能读写单元格数据，还能精细地操作字体、颜色、边框、合并单元格、公式、图表、甚至图像和注释。如果你需要生成一个格式复杂、要求与手工制作完全一致的报表，或者需要修改一个现有模板的样式，openpyxl几乎是唯一选择。

注意：openpyxl不支持老旧的.xls格式。如果你的文件是.xls，需要先用Excel另存为.xlsx，或者使用xlrd库（仅读）和xlwt库（仅写）来处理，但后者功能有限且已停止维护。

pandaspandas是一个强大的数据分析库，它处理Excel可以看作是其数据I/O功能的一部分。pandas的核心是DataFrame（一种二维表格型数据结构），它处理Excel的思路是：将整个工作表或指定区域快速加载到内存中的DataFrame里，然后你利用pandas强大的数据清洗、转换、分析能力进行操作，最后再写回Excel。它的优势在于处理纯数据的速度快，特别是对于大数据量的读取和计算。但是，pandas在写回Excel时，会丢失绝大部分原始格式（除非配合openpyxl或xlsxwriter引擎进行额外设置），它主要关心数据本身。

xlsxwriter这是一个专注于写入.xlsx文件的库，特点是功能强大、性能好，支持丰富的格式和图表。但它只能写，不能读。通常用于从零开始生成复杂的、带有格式的Excel报告。pandas的默认Excel写入引擎就是它（针对.xlsx格式）。

2.2 如何根据你的场景做选择？

为了更直观，我列了一个对比表格：

我的经验是：绝大多数日常自动化需求是混合型的。比如，你需要从一个源Excel里读取大量数据，清洗计算后，填入一个设计好的报表模板中。这时，最佳实践往往是“pandas读数据 + openpyxl写格式”的组合拳。用pandas的read_excel()快速读入数据到DataFrame，利用pandas进行高效的筛选、计算、分组聚合，然后将结果数据，通过openpyxl精确地写入到模板文件的指定位置，并可能设置一些简单的格式（如数字格式、字体加粗）。这样既保证了数据处理的效率，又满足了报表呈现的要求。

3. 环境准备与基础操作：从安装到第一个可运行脚本

理论说再多，不如动手试一下。我们先把环境搭起来，跑通一个最简单的读写流程。

3.1 安装与虚拟环境

强烈建议使用虚拟环境来管理项目依赖，避免不同项目间的库版本冲突。这里以最常用的venv为例。

# 1. 创建项目目录并进入 mkdir excel_automation && cd excel_automation # 2. 创建虚拟环境（假设你使用Python 3） python -m venv venv # 3. 激活虚拟环境 # 在 Windows 上： venv\Scripts\activate # 在 macOS/Linux 上： source venv/bin/activate # 激活后，命令行提示符前通常会显示 (venv) # 4. 安装核心库 # 安装openpyxl pip install openpyxl # 安装pandas (它会自动安装numpy等依赖) pip install pandas

安装完成后，可以通过pip list查看已安装的包确认。

3.2 openpyxl 基础：创建、保存与简单读写

让我们先用openpyxl完成一个最小化的操作：创建一个新工作簿，在第一个单元格写入“Hello Excel”，然后保存。

# basic_operation.py from openpyxl import Workbook # 1. 创建一个新的工作簿（Workbook） wb = Workbook() # 默认会创建一个名为‘Sheet’的工作表（Worksheet），我们可以通过 .active 属性获取它 ws = wb.active # 可以给工作表改个名 ws.title = "我的第一个Sheet" # 2. 操作单元格（Cell） # 方法一：通过工作表对象和坐标（如‘A1’）直接赋值 ws['A1'] = "Hello Excel" ws['B2'] = 42 # 方法二：使用 .cell(row, column, value) 方法，行列从1开始计数 ws.cell(row=3, column=1, value="这是第三行第一列") # 3. 保存工作簿到文件 # 保存为 .xlsx 文件 wb.save("my_first_excel.xlsx") print("Excel文件已创建并保存为 'my_first_excel.xlsx'")

运行这个脚本，你会在当前目录下看到生成的my_first_excel.xlsx文件，打开后内容符合预期。

读取现有文件同样简单：

# read_existing.py from openpyxl import load_workbook # 1. 加载一个已存在的Excel文件 wb = load_workbook('my_first_excel.xlsx') # 加载我们刚才创建的文件 # 2. 获取工作表 # 方法一：通过名称获取 ws = wb["我的第一个Sheet"] # 方法二：获取所有工作表名 sheet_names = wb.sheetnames print(f"工作簿中的所有工作表：{sheet_names}") # 3. 读取单元格内容 cell_a1 = ws['A1'].value cell_b2 = ws['B2'].value print(f"A1单元格的值是：{cell_a1}") print(f"B2单元格的值是：{cell_b2}") # 4. 遍历某个区域（例如A1到C3） print("\n遍历A1:C3区域：") for row in ws.iter_rows(min_row=1, max_row=3, min_col=1, max_col=3): for cell in row: print(cell.coordinate, cell.value, end=' | ') print() # 换行

iter_rows是openpyxl中非常实用的方法，可以按行生成单元格迭代器，方便进行循环处理。

3.3 pandas 基础：用DataFrame的思维处理表格数据

pandas的操作更贴近数据分析。我们创建一个简单的DataFrame并写入Excel，然后再读回来。

# pandas_basic.py import pandas as pd # 1. 创建一个DataFrame data = { '姓名': ['张三', '李四', '王五'], '年龄': [28, 34, 25], '城市': ['北京', '上海', '广州'] } df = pd.DataFrame(data) print("创建的DataFrame：") print(df) print("\n") # 2. 将DataFrame写入Excel # 默认使用xlsxwriter引擎写入.xlsx，不保存索引 df.to_excel('pandas_output.xlsx', index=False, sheet_name='员工信息') # 3. 从Excel读取数据到DataFrame df_read = pd.read_excel('pandas_output.xlsx', sheet_name='员工信息') print("从Excel读取的DataFrame：") print(df_read)

运行后，你会得到一个pandas_output.xlsx文件，里面有一个名为“员工信息”的工作表，包含我们的数据。index=False参数很重要，它避免了将DataFrame的默认行索引也写入Excel，让表格更整洁。

到这里，你已经掌握了两个核心库最基础的读写操作。但这只是开始，真正的挑战和技巧都在后面。

4. 性能陷阱深度剖析：为什么“仅读几列也是5分钟”？

现在我们回到开头那个最典型的问题。假设你有一个100MB、20万行、50列的Excel文件（这种规模在实际业务中很常见）。你用openpyxl写了下面这段“看起来没问题”的代码：

# slow_reading.py (性能低下的写法) from openpyxl import load_workbook import time start = time.time() wb = load_workbook('large_file.xlsx') # 假设这个文件很大 ws = wb.active data = [] # 遍历所有行 for row in ws.iter_rows(values_only=True): # values_only=True 只取值，稍好但还不够 # 假设我们只需要第1列和第10列的数据 needed_data = (row[0], row[9]) # 索引从0开始 data.append(needed_data) end = time.time() print(f"读取耗时：{end - start:.2f}秒")

你会发现，即使你只取两列，循环依然遍历了所有行和所有列的单元格对象。openpyxl在load_workbook时，默认加载模式（read_only=False）会将整个工作簿的所有对象（包括单元格值、公式、样式等）都解析并加载到内存中，构建一个完整的对象树。这个初始化过程本身就很耗时，尤其对于大文件。之后的遍历，虽然你只用了两个值，但Python依然需要访问每一行的每个单元格对象，开销巨大。

那么，pandas为什么快？pandas的read_excel函数，底层默认使用openpyxl或xlrd引擎，但它采用了更高效的批量数据处理方式。它本质上是在引擎读取数据后，直接将其转换为高度优化的numpy数组和DataFrame内部结构，跳过了大量中间对象创建的消耗。而且，pandas在读取时，如果指定usecols参数，引擎层可能进行优化，只解析所需的列区域数据。

4.1 openpyxl 的性能优化方案

对于必须使用openpyxl且需要处理大文件的场景，有两个关键优化开关：

1. 只读模式 (read_only=True)此模式类似于“流式读取”，它不会将整个文件加载到内存，而是按需从磁盘读取数据。适用于只读取数据，不修改也不关心样式的场景。

# fast_reading_openpyxl.py from openpyxl import load_workbook import time start = time.time() # 关键：设置 read_only=True wb = load_workbook('large_file.xlsx', read_only=True, data_only=True) ws = wb.active data = [] # 在只读模式下，必须使用 ws.iter_rows() 进行遍历 for row in ws.iter_rows(min_row=2, max_col=10, values_only=True): # 假设从第2行开始，最多读到第10列 # 只取第1列和第10列 needed_data = (row[0], row[9]) data.append(needed_data) wb.close() # 只读模式用完记得关闭 end = time.time() print(f"只读模式读取耗时：{end - start:.2f}秒") print(f"共读取{len(data)}行数据")

2. 只写模式 (write_only=True)当需要生成一个非常大的Excel文件时，使用只写模式可以显著降低内存消耗。你需要使用特殊的WriteOnlyWorksheet对象来添加数据。

# fast_writing_openpyxl.py from openpyxl import Workbook import time start = time.time() # 关键：设置 write_only=True wb = Workbook(write_only=True) ws = wb.create_sheet(title="海量数据") # 准备数据：假设要生成10万行，5列的数据 data_to_write = [] for i in range(1, 100001): data_to_write.append([f"Product_{i}", i*10, i*0.5, f"Category_{i%10}", f"2023-{i%12+1:02d}-01"]) # 在只写模式下，使用 ws.append() 批量添加行（每次一行） for row in data_to_write: ws.append(row) wb.save('huge_file_write_only.xlsx') end = time.time() print(f"只写模式生成耗时：{end - start:.2f}秒")

3. 结合使用data_only=True这个参数在加载工作簿时非常有用。如果Excel单元格里是公式（如=A1+B1），默认load_workbook会加载公式本身。设置data_only=True后，openpyxl会尝试读取该公式最后一次计算缓存的结果值。这有两个好处：一是避免加载公式引擎的潜在开销，二是直接拿到计算结果。但请注意，如果文件从未被Excel计算保存过，读取到的值可能是None。

4.2 pandas 的精准读取策略

pandas在读取时提供了更精细的控制参数，能极大提升效率：

# efficient_reading_pandas.py import pandas as pd import time start = time.time() # 使用 pandas 的 read_excel，并指定参数优化 df = pd.read_excel( 'large_file.xlsx', sheet_name=0, # 读取第一个工作表，也可以用名称 usecols=[0, 9], # **关键**：只读取第1列和第10列（列索引从0开始） nrows=50000, # 如果只需要前N行，可以指定，避免读全部 dtype={'列名1': str, '列名10': float} # 指定列数据类型，加速解析并避免类型推断错误 ) end = time.time() print(f"Pandas精准读取耗时：{end - start:.2f}秒") print(f"读取数据形状：{df.shape}")

usecols参数是性能提升的关键，它告诉引擎只处理指定的列，避免了无用数据的解析和内存占用。你可以传入列索引列表（如[0, 2, 5]）、列字母字符串（如"A:C, E"）或一个可调用函数进行筛选。

我的踩坑经验：曾经处理过一个包含大量“合并单元格”和“空行”的报表。用openpyxl默认方式读取，速度奇慢。后来发现，iter_rows()会遍历每一个定义过的单元格，包括那些因为合并而实质为空的单元格。解决方案是结合ws.max_row和ws.max_column先判断有效范围，或者用pandas读取时设置skiprows和skipfooter参数跳过表头表尾的非数据行。所以，在处理来源复杂的Excel时，先用Excel或文本编辑器打开看看文件结构，规划好读取范围，比直接上代码更重要。

5. 进阶实战：复杂格式操作与报表生成

掌握了高效读写，我们来看看更复杂的场景：如何操作格式、公式、甚至多个工作表来生成一份专业的报表。

5.1 使用 openpyxl 进行精细的格式控制

假设我们要生成一个销售汇总表，要求标题行居中加粗、数字有千位分隔符、突出显示超标数据。

# format_cells.py from openpyxl import Workbook from openpyxl.styles import Font, Alignment, Border, Side, PatternFill, numbers wb = Workbook() ws = wb.active ws.title = "销售报表" # 1. 写入数据 headers = ["产品", "季度", "销售额", "完成率"] data = [ ["产品A", "Q1", 1250000, 0.98], ["产品A", "Q2", 1420000, 1.05], ["产品B", "Q1", 890000, 0.92], ["产品B", "Q2", 1100000, 1.12], ] ws.append(headers) for row in data: ws.append(row) # 2. 设置标题行格式 header_font = Font(name='微软雅黑', size=12, bold=True, color="FFFFFF") header_fill = PatternFill(start_color="366092", end_color="366092", fill_type="solid") # 蓝色填充 header_alignment = Alignment(horizontal="center", vertical="center") thin_border = Border(left=Side(style='thin'), right=Side(style='thin'), top=Side(style='thin'), bottom=Side(style='thin')) for cell in ws[1]: # 第一行 cell.font = header_font cell.fill = header_fill cell.alignment = header_alignment cell.border = thin_border # 3. 设置数据行格式 # 设置销售额列为货币格式，带千位分隔符 for row in ws.iter_rows(min_row=2, max_row=5, min_col=3, max_col=3): for cell in row: cell.number_format = numbers.FORMAT_NUMBER_COMMA_SEPARATED1 # '#,##0.00' # 设置完成率列为百分比格式 for row in ws.iter_rows(min_row=2, max_row=5, min_col=4, max_col=4): for cell in row: cell.number_format = '0.00%' # 如果完成率超过100%，标红 if cell.value and cell.value > 1.0: cell.font = Font(color="FF0000", bold=True) # 红色加粗 # 4. 调整列宽（大约） ws.column_dimensions['A'].width = 15 ws.column_dimensions['B'].width = 10 ws.column_dimensions['C'].width = 15 ws.column_dimensions['D'].width = 12 wb.save("formatted_report.xlsx")

运行后，生成的Excel文件将拥有清晰的格式。openpyxl.styles模块提供了丰富的样式类，你可以像搭积木一样组合它们。

5.2 操作公式

在单元格中写入公式，Excel会在打开时自动计算。

# formulas.py from openpyxl import Workbook wb = Workbook() ws = wb.active ws['A1'] = 100 ws['B1'] = 200 # 在C1写入求和公式 ws['C1'] = "=SUM(A1:B1)" # 写入一个带条件的公式 ws['A3'] = "是否达标" ws['B3'] = 150 ws['C3'] = '=IF(B3>100, "是", "否")' wb.save("with_formulas.xlsx")

保存后打开with_formulas.xlsx，C1显示300，C3显示“是”。注意，openpyxl本身不计算公式，它只负责写入和读取公式字符串。计算是由Excel或兼容的电子表格软件完成的。如果你用data_only=True模式读取这个文件，并且文件被Excel保存过，那么ws['C1'].value将是计算结果300；否则，它仍然是公式字符串=SUM(A1:B1)。

5.3 多工作表操作与模板填充

这是自动化报表中最常见的场景：有一个设计好的模板文件（包含表头、格式、图表框架），只需要向里面填充计算好的数据。

步骤：

1. 用openpyxl加载模板文件。
2. 找到需要填充数据的起始单元格。
3. 将你的数据（通常来自pandas DataFrame或列表）按行或按列写入。
4. 保存为新文件。

# fill_template.py from openpyxl import load_workbook import pandas as pd # 假设我们有一个计算好的月度销售数据DataFrame monthly_sales = pd.DataFrame({ '月份': ['1月', '2月', '3月', '4月'], '销售额': [120, 135, 158, 142], '成本': [80, 85, 95, 88], '利润': [40, 50, 63, 54] }) # 1. 加载模板文件 template_path = 'monthly_report_template.xlsx' # 假设这个模板在A5单元格开始是数据区域 wb = load_workbook(template_path) ws = wb['DataSheet'] # 假设数据要填到名为‘DataSheet’的工作表 # 2. 确定数据起始位置（例如第5行第1列，即A5） start_row = 5 start_col = 1 # 3. 写入表头（如果需要） # 如果模板已有表头则跳过，这里演示写入DataFrame的列名 for col_idx, column_name in enumerate(monthly_sales.columns, start=start_col): ws.cell(row=start_row, column=col_idx, value=column_name) # 4. 写入数据行 for df_row_idx, row_data in enumerate(monthly_sales.values, start=1): # enumerate从1开始，对应Excel行号偏移 excel_row = start_row + df_row_idx # 表头占了一行，所以数据从start_row+1开始 for df_col_idx, cell_value in enumerate(row_data, start=start_col): ws.cell(row=excel_row, column=df_col_idx, value=cell_value) # 5. 保存为新文件，避免覆盖模板 output_path = 'monthly_report_filled_202304.xlsx' wb.save(output_path) print(f"报表已生成：{output_path}")

关键技巧：模板中的格式、公式、图表都会保留。你写入的数据会自动继承该单元格的格式（除非你主动覆盖）。如果数据区域有预设的公式（比如合计行=SUM(B5:B8)），你填入数据后，打开文件时公式会自动计算更新。

6. 常见问题排查与实用技巧锦囊

在实际操作中，你肯定会遇到各种稀奇古怪的问题。这里分享几个我踩过的坑和对应的解决方案。

6.1 中文乱码与路径问题

问题：用pandas的to_excel保存后，用Excel打开，中文字符显示为乱码。原因与解决：这通常不是pandas或openpyxl的问题，它们内部使用Unicode。乱码更可能出现在文件路径或工作表名称包含非ASCII字符时，尤其是在某些旧版本Windows系统或特定环境下。确保你的Python脚本文件本身以UTF-8编码保存。如果问题依然存在，可以尝试将字符串显式编码/解码。

# 写入时确保字符串是Unicode (Python3中默认就是) ws['A1'] = "中文内容" # 或者，如果从其他来源（如GBK编码文件）读取了字节串，需要先解码 # content_bytes = b'\xd6\xd0\xce\xc4' # GBK编码的“中文” # ws['A1'] = content_bytes.decode('gbk')

文件路径：尽量使用英文和数字命名文件和目录。如果必须用中文，确保使用完整的Unicode路径字符串。

import os # 安全的方式 path = r'C:\报表\月度数据.xlsx' # 使用原始字符串避免转义 # 或者 path = 'C:/报表/月度数据.xlsx' # 使用正斜杠，Python和openpyxl都支持 wb.save(path)

6.2 处理合并单元格

合并单元格是Excel中常见的格式，但会给数据处理带来麻烦。

用openpyxl读取合并单元格：读取合并区域左上角单元格会得到值，其他单元格值为None。

from openpyxl import load_workbook wb = load_workbook('file_with_merged.xlsx') ws = wb.active # 获取所有合并单元格范围 merged_ranges = ws.merged_cells.ranges print(f"合并单元格区域：{merged_ranges}") # 遍历合并区域 for merged_range in merged_ranges: print(f"合并区域：{merged_range}， 值：{ws[merged_range.min_row][merged_range.min_col-1].value}") # 注意：ws[row][col]索引从0开始，而min_row/min_col从1开始

用pandas读取合并单元格：pandas的read_excel默认会看到合并区域左上角的值，其他位置为NaN。如果你希望填充这些NaN，可以使用fillna方法并指定填充方式（如前向填充ffill）。

df = pd.read_excel('file_with_merged.xlsx') # 假设第一列是合并的，用上一行的值填充本行的空值 df['列名1'] = df['列名1'].ffill()

6.3 数据类型推断错误

pandas在读取Excel时，会尝试推断每一列的数据类型。有时会把数字组成的字符串（如工号“001”）推断为整数，导致前面的零丢失。

解决方案：在read_excel中使用dtype参数或converters参数强制指定列类型。

# 方法1：使用dtype参数（适用于整列类型一致） df = pd.read_excel('data.xlsx', dtype={'工号': str, '电话号码': str}) # 方法2：使用converters参数（可进行更复杂的转换） def force_string(x): return str(x) if pd.notnull(x) else x df = pd.read_excel('data.xlsx', converters={'工号': force_string})

6.4 处理超链接

如果单元格包含超链接，openpyxl可以读写它。

from openpyxl import Workbook from openpyxl.cell.cell import Hyperlink wb = Workbook() ws = wb.active # 创建超链接单元格 cell = ws['A1'] cell.value = "访问Openpyxl官网" cell.hyperlink = Hyperlink(target="https://openpyxl.readthedocs.io/", display="Openpyxl Docs") # 通常Excel会为超链接应用蓝色带下划线的样式，我们可以手动添加 from openpyxl.styles import Font cell.font = Font(color="0563C1", underline="single") wb.save('with_hyperlink.xlsx')

读取时，通过cell.hyperlink.target获取链接地址。

6.5 一个综合案例：批量处理文件夹下的Excel文件

最后，分享一个非常实用的脚本框架：批量读取某个文件夹下所有Excel文件，提取特定信息，汇总到一个新的Excel中。

# batch_process_excel.py import os import pandas as pd from openpyxl import load_workbook from pathlib import Path def process_single_file(file_path, sheet_name, data_range): """处理单个Excel文件，返回需要的数据""" try: # 使用pandas快速读取指定区域的数据 df = pd.read_excel(file_path, sheet_name=sheet_name, usecols=data_range, nrows=100) # 示例 # 这里进行你的数据处理逻辑，例如计算总和、平均值等 total_sales = df['销售额'].sum() if '销售额' in df.columns else 0 avg_cost = df['成本'].mean() if '成本' in df.columns else 0 return { '文件名': os.path.basename(file_path), '总销售额': total_sales, '平均成本': avg_cost, '数据行数': len(df) } except Exception as e: print(f"处理文件 {file_path} 时出错：{e}") return None def main(): input_folder = Path("./月度数据/") # 你的Excel文件所在文件夹 output_file = "月度汇总.xlsx" all_results = [] # 遍历文件夹下所有.xlsx文件 for excel_file in input_folder.glob("*.xlsx"): print(f"正在处理：{excel_file.name}") # 假设每个文件的结构相同，数据在‘Sheet1’的A到D列 result = process_single_file(excel_file, sheet_name='Sheet1', data_range="A:D") if result: all_results.append(result) # 将汇总结果转换为DataFrame并保存 if all_results: summary_df = pd.DataFrame(all_results) # 使用openpyxl引擎，以便后续可能添加格式 with pd.ExcelWriter(output_file, engine='openpyxl') as writer: summary_df.to_excel(writer, index=False, sheet_name='汇总') # 可以在这里获取workbook和worksheet对象，进行额外的格式设置 workbook = writer.book worksheet = writer.sheets['汇总'] # 例如，设置列宽 worksheet.column_dimensions['A'].width = 30 worksheet.column_dimensions['B'].width = 15 worksheet.column_dimensions['C'].width = 15 print(f"汇总完成，结果已保存至：{output_file}") else: print("未找到可处理的数据。") if __name__ == "__main__": main()

这个脚本展示了如何将pandas的高效数据读取与openpyxl的格式控制能力（通过pd.ExcelWriter）结合起来，完成一个典型的自动化任务。你可以根据自己的需求修改process_single_file函数内的逻辑。

Python处理Excel的深度和灵活性远超一篇教程所能涵盖，但掌握了openpyxl和pandas的核心用法、性能优化技巧以及组合拳策略，你就能应对90%以上的自动化场景。记住，在开始编码前，花点时间分析文件结构、明确数据流向、选择正确的工具，往往比埋头写代码更能提升效率和减少后期的调试时间。当你的脚本能稳定、快速地将你从重复的复制粘贴中解放出来时，那种成就感就是学习这些技术最好的回报。