Python自动化办公系列01-对excel表格数据进行可视化分析

简介: 查理·芒格曾说过这样一番话:我不断地看到有些人在生活中越过越好,他们不是最聪明的,甚至不是最勤奋的,但他们是学习机器,他们每天夜里睡觉时都比那天早晨聪明一点点。优秀的人之所以能成为人中翘楚,往往就是因为他们是学习机器,能做到持续学习,不断地自我精进和迭代,一点点地进步和成长,将大多数人甩在身后。反过来,一些人之所以往后退,最本质的原因,还不是因为无法做到持续学习和成长,以至于不管是业务能力,还是眼界、格局,在方方面面都落后于人。 这就是优秀和平庸之间存在巨大差距的原因所在。成功的秘诀,说复杂也没那么复杂,其实就是成长,不断地成长,当你能做到比昨天更好,比身边的人更好,那么你想不成功都难

实战

安装模块 pip install openpyxl

第一步:创建表格及工作表

from openpyxl import Workbook

# 创建一个表格
wb = Workbook()
# 创建工作表
one = wb.create_sheet('娃哈哈')
two = wb.create_sheet('旺仔')
wb.create_sheet('牛奶')
three = wb.create_sheet('Tony老师')
wb.create_sheet('在上课')
# 保存
wb.save('西游记.xlsx')

image.png

第二步:添加表格数据

# 添加一个值   单元格  
one.cell(row=15,column=1,value='老师')
#
one['G23'] = 123
one['a2'] = 2343
one['C3'] = 'hahaha'

a = [11,2,3,4,5,6,7,8,'猴子','妲己']
# 多行添加
two.append(a)
# 多行 多列添加
data = [
    ['入职时间','公司人力成本总额','在岗人数','人均成本'],
    [2015,10000,1000,9.6],
    [2016,12000,1100,19.6],
    [2017,15000,1500,29.6],
    [2018,9000,800,39.6],
    [2019,11000,900,9.6],
    [2020,30000,2000,16.6],
    [2021,20000,1700,10.1],
]
for tony in data:
    three.append(tony)

image.png

image.png

image.png

第三步:数据可视化分析

from openpyxl.chart import PieChart,Reference,BarChart


# 数据分析 - 饼状图
pie = PieChart()
pie.title='Tony老师来到此一游'
# 设置数据对比 展示 图标
label = Reference(three,min_col=1,min_row=2,max_row=8)
data = Reference(three,min_col=2,min_row=2,max_row=8)

pie.add_data(data)
pie.set_categories(label)
# 添加
three.add_chart(pie,'b10')

image.png

# 数据分析 - 柱状图
bar = BarChart()
bar.title='Tony老师来到此一游'
bar.x_axis.title= '年份'
bar.type = 'bar'
bar.style = 15
# 设置数据对比 展示 图标
labels = Reference(three,min_col=1,min_row=2,max_row=8)
datas = Reference(three,min_col=2,min_row=2,max_row=8)

bar.add_data(datas)
bar.set_categories(labels)
# 添加
three.add_chart(bar,'j2')

效果展示

image.png

在这个浮躁的时代;竟然还有人能坚持篇篇原创;

如果本文对你学习有所帮助-可以点赞👍+ 关注!将持续更新更多新的文章。

支持原创。感谢!

相关文章
|
6月前
|
存储 分布式计算 大数据
基于Python大数据的的电商用户行为分析系统
本系统基于Django、Scrapy与Hadoop技术,构建电商用户行为分析平台。通过爬取与处理海量用户数据,实现行为追踪、偏好分析与个性化推荐,助力企业提升营销精准度与用户体验,推动电商智能化发展。
|
7月前
|
缓存 供应链 监控
1688item_search_factory - 按关键字搜索工厂数据接口深度分析及 Python 实现
item_search_factory接口专为B2B电商供应链优化设计,支持通过关键词精准检索工厂信息,涵盖资质、产能、地理位置等核心数据,助力企业高效开发货源、分析产业集群与评估供应商。
|
7月前
|
缓存 监控 算法
item_get - Lazada 商品详情详情接口深度分析及 Python 实现
Lazada商品详情接口item_get可获取商品全维度数据,包括价格、库存、SKU、促销及卖家信息,支持东南亚六国站点,适用于竞品监控、定价策略与市场分析,助力跨境卖家精准决策。
|
7月前
|
JSON 监控 数据格式
1688 item_search_app 关键字搜索商品接口深度分析及 Python 实现
1688开放平台item_search_app接口专为移动端优化,支持关键词搜索、多维度筛选与排序,可获取商品详情及供应商信息,适用于货源采集、价格监控与竞品分析,助力采购决策。
|
7月前
|
缓存 监控 算法
唯品会item_search - 按关键字搜索 VIP 商品接口深度分析及 Python 实现
唯品会item_search接口支持通过关键词、分类、价格等条件检索商品,广泛应用于电商数据分析、竞品监控与市场调研。结合Python可实现搜索、分析、可视化及数据导出,助力精准决策。
|
6月前
|
机器学习/深度学习 大数据 关系型数据库
基于python大数据的台风灾害分析及预测系统
针对台风灾害预警滞后、精度不足等问题,本研究基于Python与大数据技术,构建多源数据融合的台风预测系统。利用机器学习提升路径与强度预测准确率,结合Django框架实现动态可视化与实时预警,为防灾决策提供科学支持,显著提高应急响应效率,具有重要社会经济价值。
|
6月前
|
机器学习/深度学习 大数据 关系型数据库
基于python大数据的青少年网络使用情况分析及预测系统
本研究基于Python大数据技术,构建青少年网络行为分析系统,旨在破解现有防沉迷模式下用户画像模糊、预警滞后等难题。通过整合多平台亿级数据,运用机器学习实现精准行为预测与实时干预,推动数字治理向“数据驱动”转型,为家庭、学校及政府提供科学决策支持,助力青少年健康上网。

推荐镜像

更多
下一篇
开通oss服务