实现自动化办公是许多同学学习Python的初衷，但对于有选择困难症而且基础相对薄弱的同学来讲，面对众多的教程，Python库，往往无从下手，本篇从实际应用的角度，给出一条能快速上手的学习及实操路线，以让初学者少走弯路，尽快上车。
现有Excel自动化处理方式及对比
方式
优点
缺点
VBA
Excel自带，兼容性好，无需环境Python环境
复杂数据处理是门槛较高，需单独学习
XlsxWriter
可创建和写及xlsx文件
不能读取，不能处理xls文件
xlrd,xlwt,xlutils
三个包配合用，可读可写
大文件处理能力弱
OpenPyXL
读写, xlsm, xltx, xltm文件
不支持xls
pandas
批量数据处理，操作简单，所有Excel问题都可以转换为pandas问题进行处理，只学习一个包，以不变应万变。
通常为结果数据，不支持公式，作图等
本文主要讲如何运用pandas处理Excel：
学习pandas使用(已经了解的同学忽略)。
学习read_excel和to_excel参数含义。将Excel转化为DataFrame，用pandas进行处理及输出。
pands库学习
Python数据科学，有几个包是必须掌握的，numpy处理数组矩阵计算，pandas相当于numpy的升级版，处理结构化数据，这两个包是学习其他数据处理的前提，学习资源有：廖雪峰官网，《Python数据科学》等，此处不进行过多，后面我会针对这两部分做专项讲解，同学们可后续关注更新情况。
“read_excel”参数介绍
pd.read_excel(io, sheetname=0,header=0,skiprows=None,index_col=None,names=None,
arse_cols=None,date_parser=None,na_values=None,thousands=None,
convert_float=True,has_index_names=None,converters=None,dtype=None,
true_values=None,false_values=None,engine=None,squeeze=False,**kwds)
大家知道，每个Python库通常参数都特别多，但大家只需知道常用的就好，下面我把常用的参数给大家做了翻译：
pd.read_excel(io="路径", sheetname="工作表名",header="指定作为列名的行",
skiprows="跳过头部指定行数的数据",ski_footer="跳过尾部指定行数的数据",index_col="指定索引列",
names="传入列名list", usecols="要读取的列", arse_cols=None,date_parser=None,na_values=None,thousands=None, convert_float=True,has_index_names=None,converters=None,
dtype=None, true_values=None,false_values=None,engine=None,squeeze=False,**kwds)
示例
假如我们Excel中有两个工作表，表1：“科目”，表2：“等级”，现在要把等级根据成绩匹配值表1.
1.读取数据
读取数据是要指定好工作表名称，表头位置，否则会导致数据读取不准确。比如仅指定工作表名：
import pandas as pd
data_kemu = pd.read_excel('Test.xlsx',sheet_name="科目" ,header=2,usecols=['姓名','科目','成绩'])
data_kemu
结果如下，因为表内数据并非顶格开始的，所以需要加入更多参数。
data_kemu = pd.read_excel('Test.xlsx',sheet_name="科目" ,header=2,usecols=['姓名','科目','成绩'])
data_kemu
输出结果正常，所以在Excel文件读取是，通常要指定出工作表名，起始行，所需列等信息：
2.数据匹配merge
data_kemu = pd.read_excel('/Users/liuhongxing/Desktop/Test.xlsx',sheet_name="科目",header=2,usecols=['姓名','科目','成绩'])
data_dengji = pd.read_excel('/Users/liuhongxing/Desktop/Test.xlsx',sheet_name="等级",header=2,usecols=['等级','成绩'])
data = pd.merge(data_kemu,data_dengji,how='left',on='成绩')
data.head()
输出结果，与预期一致，此处采用了常用的函数merge,来处理不同表间数据融合的问题。
3.存储导出
“to_excel”参数介绍
导出虽然有较多参数，但我们通常已经在数据处理过程中处理成了我们想要的样子，所以此处需要用到的参数通常较少，通常为表名，缺失值填充，是否含index等，其它维持默认即可。
df.to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None,columns=None, header=True, index=True, index_label=None,startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None,
inf_rep='inf', verbose=True, freeze_panes=None)
参数解释：
df.to_excel(目标路径, sheet_name="工作表名", na_rep="缺失值填充", float_format="数据格式",columns=“哪些列存储”, header=“是否含表头”, index=“是否含index，默认有”, index_label=None,startrow=“起始行”, startcol=“起始列”, engine=None, merge_cells=True, encoding=“编码方式”,
inf_rep='inf', verbose=True, freeze_panes=None)
导出示例：
data.to_excel('Data.xlsx',sheet_name="汇总",index=False)
结语
本文侧重讲解了运用pandas对Excel表进行读入和输出的两个常用函数read_excel和to_excel，在这个基础上，将一切Excel问题转化为pandas问题，从而实现Excel的快速批量处理，实现真正意义上的办公自动化。
