当前位置:首页 > 文章列表 > 文章 > python教程 > Python操作Excel:openpyxl使用教程

Python操作Excel:openpyxl使用教程

2026-03-14 18:36:45 0浏览 收藏
本文深入讲解了如何使用Python库openpyxl高效、灵活地操作Excel文件——无需依赖Excel软件,即可完成创建工作簿、写入数据(支持字符串、数字、datetime自动识别)、批量追加多行记录、设置字体/边框/对齐/背景色等专业样式、插入动态公式以及智能调整列宽等核心任务,特别适合自动化报表生成、数据导出等实际业务场景,代码简洁实用,入门即上手,进阶有深度。

用 openpyxl 写 Excel 文件,核心是创建工作簿、选中工作表、往单元格填值或插入公式、设置样式、保存文件——不依赖 Excel 软件,纯 Python 操作,适合批量生成报表、导出数据等场景。

创建新工作簿并写入基础数据

这是最常用起点:新建一个空白 Excel,往指定单元格写字符串、数字、日期等。

  • 用 Workbook() 创建新工作簿,默认带一个名为 Sheet 的工作表
  • 用 ws['A1'] = '姓名' 或 ws.cell(row=2, column=3, value='张三') 写入内容
  • 支持直接赋值 datetime 对象,openpyxl 会自动识别为 Excel 日期格式

示例:

from openpyxl import Workbook
from datetime import datetime

wb = Workbook()
ws = wb.active
ws['A1'] = '姓名'
ws['B1'] = '入职时间'
ws.cell(row=2, column=1, value='李四')
ws.cell(row=2, column=2, value=datetime(2023, 5, 10))
wb.save('员工信息.xlsx')

追加多行数据(高效写入列表)

当有一批结构化数据(如 list of lists 或 list of dicts),用 append() 比逐个 cell 赋值更简洁高效。

  • ws.append(['张三', 8500, '技术部']) 会在当前最后一行后新增一行,按顺序填入各列
  • 若数据是字典,需确保 key 顺序与表头一致;或先用 ws.append(list(dict.values()))
  • 注意:append 总是追加在末尾,不覆盖已有内容

示例:

data = [
  ['王五', 9200, '产品部'],
  ['赵六', 7800, '运营部']
]
for row in data:
  ws.append(row)
wb.save('员工信息.xlsx')

设置单元格样式(字体、边框、对齐、背景色)

让导出的 Excel 更专业,关键靠 Font、PatternFill、Border、Alignment 等类。

  • 样式对象需单独创建再赋给 cell.font、cell.fill 等属性
  • 标题行常设粗体 + 居中 + 浅灰背景:Font(bold=True)、Alignment(horizontal='center')、PatternFill(start_color="DDDDDD", fill_type="solid")
  • 边框需定义 Side(样式、颜色),再组合成 Border(left/top/right/bottom)

示例(设置 A1 单元格样式):

from openpyxl.styles import Font, PatternFill, Alignment, Border, Side

ft = Font(name='微软雅黑', size=12, bold=True)
fill = PatternFill(start_color="EEEEEE", fill_type="solid")
align = Alignment(horizontal='center', vertical='center')
side = Side(style='thin', color='000000')
border = Border(left=side, right=side, top=side, bottom=side)

ws['A1'].font = ft
ws['A1'].fill = fill
ws['A1'].alignment = align
ws['A1'].border = border

写入公式与调整列宽

openpyxl 支持写入 Excel 公式(字符串形式),也支持自动适配列宽提升可读性。

  • 公式以 = 开头,写入时用字符串,例如 ws['C2'] = '=B2*1.1',Excel 打开后自动计算
  • 列宽调整推荐遍历列,用 ws.column_dimensions['A'].width = 15;也可遍历所有列,按内容长度动态估算(需先加载全部数据)
  • 注意:公式中的单元格引用默认为相对引用,如需绝对引用写成 $B$2

示例(自动列宽简易版):

for col in ws.columns:
  max_length = 0
  column = col[0].column_letter
  for cell in col:
    if cell.value:
      max_length = max(max_length, len(str(cell.value)))
  adjusted_width = min(max_length + 2, 50) # 限制最大宽度
  ws.column_dimensions[column].width = adjusted_width

到这里,我们也就讲完了《Python操作Excel:openpyxl使用教程》的内容了。个人认为,基础知识的学习和巩固,是为了更好的将其运用到项目中,欢迎关注golang学习网公众号,带你了解更多关于的知识点!

Python成绩验证安全录入方法Python成绩验证安全录入方法
上一篇
Python成绩验证安全录入方法
重启任务管理器的正确方法
下一篇
重启任务管理器的正确方法
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    300次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    357次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    355次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    323次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    141次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码