Python查询Excel数据：从基础到高级，驾驭数据提取与分析159

好的，作为一名专业的程序员，我将为您撰写一篇关于Python查询Excel数据的详细文章。
---

在数据驱动的时代，Excel电子表格依然是存储和共享数据的强大工具。然而，当数据量庞大、查询条件复杂或需要自动化处理时，手动筛选和查找Excel数据就显得力不不逮。这时，Python就成为了我们的得力助手。Python凭借其强大的数据处理库，能够高效、灵活地查询、提取和分析Excel数据，极大地提升工作效率和数据洞察力。

本文将从基础知识入手，逐步深入，介绍如何利用Python的不同库来查询Excel数据，从简单的条件筛选到复杂的数据聚合，助您全面掌握Python在Excel数据处理领域的应用。

一、为何选择Python查询Excel数据？

您可能会问，Excel自带的筛选功能不也挺好用吗？为何要用Python？原因有以下几点：
自动化与效率： 一旦编写好Python脚本，即可重复运行，无需手动操作，尤其适用于定期生成报告或处理大量文件的场景。
复杂查询： Python提供了强大的逻辑判断和数据结构，可以轻松实现多条件、模糊匹配、跨表关联等复杂查询。
数据集成与分析： Python可以方便地将Excel数据与其他数据源（如数据库、CSV、API接口）进行集成，并结合Pandas、NumPy、Matplotlib等库进行深度数据分析和可视化。
可维护性与可扩展性： 代码结构清晰，易于维护和升级；功能可以随时扩展，比如将查询结果写入新的Excel、CSV或数据库。
避免人工错误： 脚本执行准确无误，减少了手动操作可能引入的错误。

二、Python处理Excel数据的核心库

Python社区为Excel文件操作提供了多个优秀库，其中最常用且功能强大的有：
pandas： 这是一个数据分析的瑞士军刀，它引入了DataFrame这一核心数据结构，非常适合进行表格型数据的读取、查询、清洗、转换和分析。对于大部分需要进行数据查询和统计的场景，pandas是首选。
openpyxl： 这是一个专门用于读写`.xlsx`文件（Excel 2010及更高版本）的库。它允许我们直接操作单元格、行、列，进行精细化的读写控制，包括字体、颜色、边框等格式设置，对于需要精确控制Excel文件结构和内容的场景非常有用。
xlrd (旧版)： 曾用于读取`.xls`和`.xlsx`文件，但目前推荐使用`openpyxl`处理`.xlsx`文件。`xlrd`的最新版本移除了对`.xlsx`文件的支持，主要用于处理旧版`.xls`文件。

本文将主要聚焦于pandas和openpyxl。

三、环境准备

在开始之前，请确保您的Python环境中已安装必要的库。如果没有，可以通过pip进行安装：pip install pandas openpyxl

如果您还需要处理旧版`.xls`文件，可以安装`xlrd`：pip install xlrd

四、使用Pandas进行Excel数据查询

pandas以其强大的DataFrame结构，使得Excel数据的查询变得极其直观和高效。我们首先创建一个示例Excel文件（``），包含以下数据：


订单ID
产品名称
类别
数量
单价
总金额
销售日期
区域



1001笔记本电脑电子产品1800080002023-01-15华东
1002鼠标电子产品51005002023-01-15华北
1003T恤服装31504502023-01-16华南
1004键盘电子产品23006002023-01-17华东
1005裤子服装22004002023-01-18华中
1006显示器电子产品1150015002023-01-18华东
1007帽子服装4803202023-01-19华南
1008路由器电子产品12502502023-01-20华北

4.1 读取Excel数据

首先，使用`pd.read_excel()`函数将Excel文件加载到DataFrame中。import pandas as pd
# 读取Excel文件
file_path = ''
df = pd.read_excel(file_path)
print("原始数据：")
print(()) # 显示前5行数据

4.2 基本查询：单条件筛选

DataFrame的强大之处在于其基于布尔索引的筛选能力。# 查询所有“电子产品”类别的数据
electronic_products = df[df['类别'] == '电子产品']
print("电子产品类别的数据：")
print(electronic_products)
# 查询总金额大于500的数据
high_value_orders = df[df['总金额'] > 500]
print("总金额大于500的订单：")
print(high_value_orders)
# 查询产品名称包含“本”字的数据（模糊匹配）
# 使用()方法进行字符串匹配
laptop_related = df[df['产品名称'].('本', na=False)]
print("产品名称包含'本'的数据：")
print(laptop_related)

4.3 组合查询：多条件筛选

可以使用`&`（AND）和`|`（OR）操作符组合多个条件。请注意，每个条件必须用括号括起来。# 查询类别为“电子产品”且总金额大于1000的数据
specific_electronic_orders = df[(df['类别'] == '电子产品') & (df['总金额'] > 1000)]
print("类别为'电子产品'且总金额大于1000的订单：")
print(specific_electronic_orders)
# 查询区域为“华东”或“华南”的数据
eastern_southern_orders = df[(df['区域'] == '华东') | (df['区域'] == '华南')]
print("区域为'华东'或'华南'的订单：")
print(eastern_southern_orders)
# 使用isin()方法查询多个离散值
# 查询产品名称为“笔记本电脑”或“键盘”的数据
specific_products = df[df['产品名称'].isin(['笔记本电脑', '键盘'])]
print("产品名称为'笔记本电脑'或'键盘'的订单：")
print(specific_products)

4.4 高级查询：使用`.query()`方法

`.query()`方法允许您使用字符串表达式进行查询，有时会使代码更具可读性。# 使用.query()方法查询类别为“电子产品”且总金额大于1000的数据
query_result = ("类别 == '电子产品' and 总金额 > 1000")
print("使用.query()查询的结果：")
print(query_result)
# 查询数量在2到4之间（包含）的产品
query_quantity = ("2

2025-10-23

---

上一篇：Python 字符串比较深度解析：从基础到高级，掌握编码、性能与最佳实践

下一篇：Python函数内存管理深度解析：从引用计数到高效实践