处理 Excel 文件和做数据分析，Python 里有两个绕不开的库：pandas 和 openpyxl。我最近用它们完成了一整套线下订单数据的清洗、汇总和报表自动化，不少朋友也在问怎么把这两个库真正用起来，而不是停留在"能跑通示例"的阶段。这篇文章就围绕这两个库，结合真实项目中的步骤和踩过的坑，聊一聊怎么用 pandas 做数据读取、清洗和计算，再用 openpyxl 控制 Excel 的格式、样式和输出细节，最终落地到一套完整可复用的报表流程。无论你是做运营、财务还是刚入门 Python 数据分析，这份实操记录都能让你少走几周弯路。
1. 开始之前：搞懂这两个库的分工
1.1 为什么不是只有一个库？
很多新手一开始会很困惑：pandas 明明能读 Excel、能写 Excel，为什么还要单独学 openpyxl？这其实是个典型的"分工问题"。
pandas 的核心强项是数据处理：它能把 Excel 表格变成 DataFrame，然后用一行代码完成筛选、分组、去重、求和、透视等操作。它的弱点也很明显——对 Excel 文件本身的"外观"控制很弱。你用df.to_excel()写出来的文件，基本就是纯数据表格，没有字体、没有填充色、没有边框，也不会帮你合并单元格。
openpyxl 正好相反，它可以直接操作 Excel 文件的底层结构，比如某个单元格的背景色、某个工作表的列宽、某个区域的边框样式，甚至还能插入图表。但如果你让它自己从头开始逐行逐列地计算数据，那效率就太低了，而且写出来的代码冗长又难维护。
所以标准打法就是：pandas 负责"算数"，openpyxl 负责"装修"。先用 pandas 把数据处理好，再用 openpyxl 把结果做成一份能直接交出去、看起来专业规范的 Excel 文件。我在这套流程里跑了几个月，稳定性非常好。
1.2 它们的适用场景差异
拿我实际处理过的场景举例：月初要出一份各门店销售汇总表，原始数据是多个 CSV 文件拼出来的，里面有脏数据、重复记录、空值，还有格式不统一的日期。这种活儿如果只靠 openpyxl 硬生生地一项项判断和计算，代码量会非常恐怖；但交给 pandas 也就是十来行的事情，去重、格式化、分组、聚合都是一次成型。
反过来，如果我要在最终报表里做"仅表头行加粗并填充灰色背景""金额列使用保留两位小数的会计格式""前三行合并单元格作为标题"这些操作，用 pandas 几乎无法优雅实现，而 openpyxl 是一件很简单的事。项目里只要涉及"数据加工 + 报表输出"的组合需求，这两个库几乎就是标配。
2. 环境准备与安装实操
2.1 确定 Python 环境
动手之前先确认 Python 版本。我推荐使用 Python 3.8 以上的版本，目前 3.10、3.11、3.12 都可以稳定运行这两个库。你可以在命令行里执行python --version确认一下。如果你是刚入门，建议直接从官网安装 Python，安装时勾选"Add Python to PATH"，这样后面在终端里执行pip命令就不会找不到程序。
如果你的电脑里已经装了多个 Python 版本，或者想避免项目之间依赖冲突，最好用虚拟环境。我习惯在项目目录下执行：
python -m venv venv然后激活虚拟环境，Windows 下运行venv\Scripts\activate，macOS 或 Linux 下运行source venv/bin/activate。这一步能避免系统级 Python 环境被污染，部署到别的机器时也能用requirements.txt精确还原环境。
2.2 openpyxl 的安装方式
openpyxl 的安装非常简单，通常一条命令就能搞定：
pip install openpyxl如果你在安装时速度很慢或卡住，多半是网络源的问题，我一般会临时更换国内镜像源：
pip install openpyxl -i https://pypi.tuna.tsinghua.edu.cn/simple那"离线安装 openpyxl"怎么操作？这个场景我在内网服务器上真遇到过。你的办公电脑能联网，但生产服务器完全隔离外网。处理方法是：在外网电脑上访问 PyPI 网站，搜索 openpyxl，下载对应 Python 版本和系统平台的.whl文件，同时也把它的依赖库（比如et_xmlfile）一并下载下来，然后用 U 盘或者内网传输工具拷到目标机器上，执行：
pip install openpyxl-3.x.x-py2.py3-none-any.whl需要注意，openpyxl 3.x通常依赖et_xmlfile库，如果缺了它会报ModuleNotFoundError。下载依赖的时候仔细看下 PyPI 页面上的 "Requires" 部分，记得一起装好。
2.3 pandas 的安装与常见超时问题
pandas 的安装命令同样简单：
pip install pandas不过 pandas 依赖 numpy，如果你是新环境，pip 会自动把 numpy 一起装上。如果用的是 Anaconda 或 Miniconda，也可以执行conda install pandas。
很多人在 PyCharm 里装 pandas 会卡在 "connected time out" 之类的错误，这基本是网络问题而不是环境问题。解决思路和 openpyxl 一样，换镜像源就好。在 PyCharm 的 Terminal 里执行：
pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple要么就在 PyCharm 的 Settings -> Project -> Python Interpreter 点加号后，在 "Manage Repositories" 里把默认源替换成国内镜像，再搜索 pandas 安装。这个方法对 PyCharm 装任何包都通用。
3. pandas 核心操作与数据分析基础
3.1 DataFrame 和 Series，先分清两个数据结构
pandas 里最重要的两个数据结构：Series是一列带索引的数据，DataFrame是一个二维表格结构，由多个 Series 拼成。你可以把 DataFrame 想象成一张 Excel 工作表，它的每一行对应一条记录，每一列对应一个字段。
创建 DataFrame 的方式很灵活，最常用的是从字典创建，字典的 key 会成为列名：
import pandas as pd data = { "门店": ["上海店", "北京店", "广州店"], "销售额": [12800, 9600, 15300], "订单数": [210, 168, 236] } df = pd.DataFrame(data) print(df)执行后你会看到表格数据。此时每行自动带一个从 0 开始的索引（index），这就是 DataFrame 的行标签。你可以通过df["门店"]取出一列，返回的就是 Series；也可以用df.iloc[0]、df.loc[0]取出某一行或某个单元格。这些是后续一切操作的基础。
在实际项目中，数据往往来自多个地方，常见的创建方式还有从 CSV 读入、从 Excel 读入、从列表嵌套列表创建，以及从数据库查询结果转换。我建议把"字典创建 DataFrame"作为最优先掌握的入门操作，理解起来直观，调试也方便。
3.2 读取和写入 Excel：read_excel 与 to_excel
pandas 读取 Excel 文件的核心函数是pd.read_excel()，它底层需要依赖某个引擎。openpyxl负责处理.xlsx格式，所以这也是为什么两个库经常同时安装的原因之一。基础用法：
import pandas as pd df = pd.read_excel("销售数据.xlsx", sheet_name="Sheet1") print(df.head())实际项目里你还会用到几个高频参数：
sheet_name：可以填工作表名称字符串，也可以填索引整数（从 0 开始），如果填None则返回所有工作表组成的字典。header：指定哪一行作为列名，默认是第 0 行；如果你的 Excel 文件前面有几行标题说明，通常设置header=3之类跳过前面的行。dtype：指定列的数据类型，比如dtype={"订单号": str}，防止订单号被当成数字导致前面的 0 丢失。skiprows：跳过前面几行，适合带诺干行说明的表格。usecols：只读取某些列，比如usecols="A:C"或usecols=["门店", "销售额"]。
写回 Excel 的方式也很直接：
df.to_excel("结果.xlsx", index=False, sheet_name="汇总")这里最关键的参数是index=False，它决定要不要把 DataFrame 的索引写成 Excel 的一列。大多数时候我们不需要索引，所以默认写False。如果不设置的话，Excel 里会多出一列无意义的序号，报表很难看。
3.3 数据类型转换与清洗
数据处理里最耗时间的一步就是类型清洗。Excel 里同一个字段经常会混着数字、文本、空值，读进来以后并不是我们想要的目标类型。
pandas 里常用的转换方法有：
pd.to_numeric(column, errors="coerce")：将列强制转为数值，转换失败时变成 NaN。pd.to_datetime(column, format="%Y-%m-%d")：将字符串列转为时间类型，format参数是要解析的日期格式。df[column].astype(str)：将列转为字符串。
我在清洗销售数据时经常会这样做：
df["销售额"] = pd.to_numeric(df["销售额"], errors="coerce") df["日期"] = pd.to_datetime(df["日期"], errors="coerce") df = df.dropna(subset=["销售额", "日期"])第一行把销售额变成数字，不能转的变成空值；第二行把日期统一成时间格式，解析不了的也变成空值；最后一行把关键字段为空的行整体丢掉，避免脏数据进入后续统计。这三行组合几乎可以应付绝大多数日常表。
另外绝对值函数abs()是 Python 的内置函数，但 pandas 的 DataFrame 和 Series 也直接支持它：df["差值"].abs()，在计算误差或差异统计时很常用。
3.4 分组、筛选和聚合的实战用法
数据分析的核心动作其实就那么几个：筛选、排序、分组、聚合。我拿一个实战场景举例：有一个订单明细表，包含门店、品类、销售额、日期四列，想按门店和品类统计总销售和订单数。
result = df.groupby(["门店", "品类"]).agg( 总销售额=("销售额", "sum"), 订单数=("订单号", "count") ).reset_index()groupby指定分组维度，agg里用元组指定"对哪一列做哪种聚合"。输出是一个新的 DataFrame，reset_index()把分组索引恢复成普通列，后面导出 Excel 更干净。
筛选操作可以用布尔索引，比如找出销售额大于一万的行：
high_sales = df[df["销售额"] > 10000]pandas 的布尔索引非常灵活，可以组合多个条件，用&表示且、|表示或、~表示非，注意每个条件都要用括号括起来。
关于热词里提到的ewm函数，这是指数加权移动平均，常用于时间序列平滑或量化交易里的均线计算。核心参数有span（窗口跨度）、com（质心）、alpha（衰减系数）、adjust和min_periods。日常最常使用的是：
df["销售额_ewm"] = df["销售额"].ewm(span=7, adjust=False).mean()span=7相当于 7 日移动平均，但它给最近的数据更高的权重，对趋势变化反应更快，比简单移动平均更适合做短期趋势观察。adjust=False表示直接从第一行开始计算，不进行早期均值修正，结果和很多行情软件里的 EMA 一致。
4. openpyxl 深度探索：从读取到样式控制
4.1 工作簿、工作表和单元格的基础操作
openpyxl 的核心模型是三个层级：Workbook（工作簿）、Worksheet（工作表）、Cell（单元格）。读取已有文件用load_workbook：
from openpyxl import load_workbook wb = load_workbook("模板.xlsx") ws = wb["Sheet1"] print(ws.max_row, ws.max_column)ws.max_row和ws.max_column返回工作表已使用区域的最大行列数，这个信息在遍历数据时很有用。遍历单元格可以用行循环：
for row in ws.iter_rows(min_row=2, max_row=ws.max_row, max_col=ws.max_column, values_only=True): print(row)values_only=True表示直接返回单元格的值而不是单元格对象，调试和数据处理时非常方便。
新建文件用Workbook()：
from openpyxl import Workbook wb = Workbook() ws = wb.active ws.title = "汇总报表" ws["A1"] = "门店名称" wb.save("新建报表.xlsx")这些是最基础的操作。真正体现 openpyxl 价值的其实是它不光是"写值"，它还能控制 Excel 里几乎所有可见格式。
4.2 样式控制：字体、填充、边框和对齐
Excel 报表要做得好看，离不开字体、填充、边框、对齐这些样式。openpyxl 里每一个样式都是独立的类，从openpyxl.styles导入。
给表头加粗并填充灰色背景：
from openpyxl.styles import Font, PatternFill, Alignment, Border, Side header_font = Font(bold=True, size=11, color="FFFFFF") header_fill = PatternFill(start_color="4472C4", end_color="4472C4", fill_type="solid") header_alignment = Alignment(horizontal="center", vertical="center") for cell in ws[1]: cell.font = header_font cell.fill = header_fill cell.alignment = header_alignmentPatternFill的start_color和end_color都设成同一个值，然后fill_type="solid"才能实现纯色填充。我第一次用的时候只设置了PatternFill("solid", fgColor="FFFF00")，结果颜色没生效，后来才发现 3.x 版本里标准写法就是start_color和end_color一致加fill_type="solid"。
细边框的写法也常被忽略，正确姿势是定义一个Side，再把它组合进Border：
thin = Side(style="thin", color="BFBFBF") border = Border(left=thin, right=thin, top=thin, bottom=thin) for row in ws.iter_rows(min_row=1, max_row=ws.max_row, max_col=ws.max_column): for cell in row: cell.border = border对齐方式Alignment除了水平对齐horizontal和垂直对齐vertical，还能设置wrap_text=True让长文本自动换行，这在填备注列时特别有用。
4.3 列宽、行高与冻结窗格
一张表如果列宽完全默认，文字挤在一起，阅读体验会很差。openpyxl 调整列宽是按列对象的column_dimensions控制的：
ws.column_dimensions["A"].width = 15 ws.column_dimensions["B"].width = 20如果你不知道具体哪一列，可以遍历列头然后根据内容长度估算列宽，但更稳妥的做法是给关键列手动指定宽度。行高类似，ws.row_dimensions[1].height = 24，通常表头行我会设高一点。
冻结窗格这项工作在 Excel 里很常用：表头几百行往下滚的时候，希望第一行始终可见。openpyxl 里一行就能实现：
ws.freeze_panes = "A2"这个赋值的意思是"从 A2 单元格开始右下方的区域可以滚动"，所以 A 列第一行会被冻住。如果想冻结前两列，就设置为ws.freeze_panes = "C1"。这招在生成大报表时几乎每次都用。
4.4 合并单元格、日期格式和图表
合并单元格在制作标题行时很常见，比如第一行要放一个跨列的大标题：
ws.merge_cells("A1:F1") ws["A1"] = "2025年第一季度门店销售汇总" ws["A1"].alignment = Alignment(horizontal="center", vertical="center")注意合并之后，只有左上角这个单元格是有值的，其他被合并的单元格会变成None，读取时要小心。
日期格式的控制也经常被问到。如果你用 openpyxl 给单元格写入一个 Python 的 datetime 对象，Excel 会默认按日期显示。但如果你直接写入的是字符串"2025-01-15"，后续排序和计算会出问题。我一般会先设置好number_format再写入值：
from datetime import datetime cell = ws["C2"] cell.value = datetime(2025, 1, 15) cell.number_format = "YYYY-MM-DD"插入图表是 openpyxl 的进阶功能。比如给销售额增加一个柱状图：
from openpyxl.chart import BarChart, Reference chart = BarChart() data = Reference(ws, min_col=2, min_row=1, max_row=5) cats = Reference(ws, min_col=1, min_row=2, max_row=5) chart.add_data(data, titles_from_data=True) chart.set_categories(cats) ws.add_chart(chart, "E2")Reference对象用来指定图表数据区域，titles_from_data=True表示把第一行当作系列名称。图表对象最终用ws.add_chart(chart, "E2")放到指定单元格位置。这个功能足够生成简单的柱状图和折线图，满足日常报表需求基本没问题。
5. 结合实战：从清洗数据到生成专业报表
5.1 整个流程怎么设计
我处理报表项目的固定套路可以落地成四步：读取原始数据、用 pandas 清洗计算、用 openpyxl 写入并美化、保存并二次检查。下面结合一个具体案例完整走一遍。
假设我有两个 Excel 文件：订单明细.xlsx里面是每笔订单的门店、品类、销售额、日期；门店信息.xlsx里面是门店名称和区域归属。我要生成一份"按区域汇总的月度销售报表"，同时要求表头加粗、金额列数字格式为千分位保留两位小数、标题合并单元格居中对齐。
5.2 用 pandas 完成数据清洗和汇总
先读取两份文件并合并：
import pandas as pd orders = pd.read_excel("订单明细.xlsx", dtype={"订单号": str}) stores = pd.read_excel("门店信息.xlsx") # 检查订单号有没有重复 print("重复订单数:", orders["订单号"].duplicated().sum()) orders = orders.drop_duplicates(subset=["订单号"]) # 将销售额转为数字，无效值丢弃 orders["销售额"] = pd.to_numeric(orders["销售额"], errors="coerce") orders = orders.dropna(subset=["销售额"]) # 合并门店区域 merged = orders.merge(stores, on="门店", how="left") merged["月份"] = merged["日期"].dt.to_period("M") # 按区域和月份汇总 summary = merged.groupby(["区域", "月份"]).agg( 销售额=("销售额", "sum"), 订单量=("订单号", "count") ).reset_index() # 按区域排序 summary = summary.sort_values(["区域", "月份"])这段代码里，orders.merge(stores, on="门店", how="left")是按门店列把区域信息关联进来，how="left"表示保留订单表里的所有行。dt.to_period("M")把日期列变成"年-月"的统计周期，后面分组汇总就非常干净。
5.3 用 openpyxl 定制最终报表
汇总完成后，我不用df.to_excel()直接输出，而是先用 openpyxl 创建一个空白工作簿，把 DataFrame 的内容手动写进去，这样每一种格式都在我的控制范围内：
from openpyxl import Workbook from openpyxl.styles import Font, PatternFill, Alignment, Border, Side from openpyxl.utils import get_column_letter wb = Workbook() ws = wb.active ws.title = "月度销售汇总" # 写入标题行 headers = ["区域", "月份", "销售额", "订单量"] for col_idx, header in enumerate(headers, start=1): cell = ws.cell(row=1, column=col_idx, value=header) # 把 DataFrame 数据写入工作表 for r_idx, row_data in enumerate(summary.itertuples(index=False), start=2): for c_idx, value in enumerate(row_data, start=1): ws.cell(row=r_idx, column=c_idx, value=value)itertuples(index=False)是遍历 DataFrame 行的最高效方式，比iterrows()快很多，数据量大的时候性能差异非常明显。ws.cell(row=..., column=..., value=...)是 openpyxl 另一种按行列坐标写入单元格的方法，适合动态写入场景。
接着做格式美化。这里我把表头加粗填充，然后对销售额列设置数字格式：
# 表头样式 header_font = Font(bold=True, color="FFFFFF") header_fill = PatternFill(start_color="4472C4", end_color="4472C4", fill_type="solid") center_alignment = Alignment(horizontal="center", vertical="center") for c_idx in range(1, len(headers) + 1): cell = ws.cell(row=1, column=c_idx) cell.font = header_font cell.fill = header_fill cell.alignment = center_alignment # 销售额列数字格式 for r_idx in range(2, ws.max_row + 1): ws.cell(row=r_idx, column=3).number_format = "#,##0.00" # 设置边框 thin = Side(style="thin", color="B0B0B0") border = Border(left=thin, right=thin, top=thin, bottom=thin) for row in ws.iter_rows(min_row=1, max_row=ws.max_row, max_col=ws.max_column): for cell in row: cell.border = border # 调整列宽 for c_idx in range(1, len(headers) + 1): ws.column_dimensions[get_column_letter(c_idx)].width = 18 # 增加一行总计 total_row = ws.max_row + 1 ws.cell(row=total_row, column=1, value="总计") ws.cell(row=total_row, column=3, value=summary["销售额"].sum()) ws.cell(row=total_row, column=4, value=summary["订单量"].sum()) wb.save("月度销售汇总_成品.xlsx")这里有一个容易栽的坑：如果你在 pandas 阶段直接用df.to_excel()生成文件，然后再用 openpyxl 打开去加样式，原来的列宽、字体、边框全都会被保留，但如果你要重新调整格式，操作顺序和覆盖逻辑会比较绕。我这个直接先开 openpyxl 再逐格写值的方案，从零开始完全控制所有单元格，对复杂报表更省心。
5.4 加上图表和最后的检查
如果要在报表里加上简单的柱状图展示各区域销售额，可以用前面提到的BarChart和Reference：
from openpyxl.chart import BarChart, Reference chart = BarChart() chart.type = "col" chart.title = "各区域销售额对比" chart.y_axis.title = "销售额" data = Reference(ws, min_col=3, min_row=1, max_row=total_row - 1) cats = Reference(ws, min_col=1, min_row=2, max_row=total_row - 1) chart.add_data(data, titles_from_data=True) chart.set_categories(cats) ws.add_chart(chart, "F2") wb.save("月度销售汇总_成品.xlsx")保存以后，我习惯重新用load_workbook把文件打开，先用ws.max_row和ws.max_column确认数据写入完整，再随机抽查几个单元格的值和格式。这一步看似多余，但在自动跑报表任务时非常有效，能及早发现数据错位、列宽异常、样式丢失等问题，比让业务同事发现错误再返工强得多。
6. 常见问题与排查技巧实录
6.1 安装环节的高频报错
第一个高频问题就是pip install pandas或pip install openpyxl时一直转圈、超时。处理方法我在第 2 节里提过，换国内镜像源。如果换了镜像源还是报错，看一下是不是 Python 版本太旧，老版本 Python 可能没有对应版本的 pandas 预编译包，pip 会尝试从源码编译，这时候就容易各种报错。建议把 Python 升级到 3.9 以上。
还有人在 Linux 环境里遇到OSError: libpython3.x.so之类的错误，这通常是系统里缺少 Python 的动态库或者环境变量没配好。可以考虑用apt install python3-venv补全开发包，或者使用pyenv管理 Python 版本。
如果你看到ModuleNotFoundError: No module named 'openpyxl'，但是明明已经 pip install 过了，多半是终端里用的 Python 和当前项目解释器不是同一个。在 PyCharm 里检查一下右下角的 Python Interpreter 选的是不是当前虚拟环境，或者在终端里执行pip --version确认 pip 指向哪个 Python。
6.2 读取 Excel 时的引擎报错
pd.read_excel()报ValueError: Excel file format cannot be determined, you must specify an engine manually，这个错误很典型，通常发生在文件扩展名与实际格式不一致，或者文件本身已损坏的情况下。
我的排查思路是：先看文件是不是被某些程序改成了.xlsx扩展名但实际内容其实是旧版.xls格式，此时可以在read_excel中手动指定engine="xlrd"或engine="openpyxl"。另外检查文件是否真的能手动打开，如果 Excel 打不开或提示修复，基本就是文件损坏，换原始文件再试。
另一个常见问题是读取.xls老格式时提示缺少xlrd库，因为新版 xlrd 不支持.xlsx，只支持.xls。我在遇到老系统导出的.xls文件时，会直接安装xlrd==2.0.1这个兼容版本，或者干脆让业务方另存为新格式。
6.3 写入报表时格式和性能的坑
用 pandas 的to_excel生成报表时，最容易出现两个问题：一是写出的表没有样式，二是默认会把索引列也写进去。第一个问题没办法，因为to_excel本身不具备样式控制能力，你想做样式，就得回到第 5 节的方法，用 openpyxl 重新构建。
第二个问题靠index=False解决。如果已经写出来了，Excel 里第一列是无意义的序号，处理办法是重新跑一遍，加上index=False。
性能问题主要出现在大批量写入时。openpyxl 写入大量行速度不快是出了名的，如果你要写几万行数据，直接在循环里逐个ws.cell(row=..., column=..., value=...)也能用，但在循环里频繁触发样式赋值，速度会进一步下降。
我的优化策略是：数据量大的时候，先用 pandas 的to_excel把纯数据先写入文件，再用 openpyxl 打开这个文件，用ws.iter_rows()去批量套用样式。但如果数据量在几千行以内，直接 openpyxl 逐行写入其实是完全可以接受的，没必要过度优化。
6.4 数据类型和精度导致的隐形错误
这一类错误最隐蔽，因为代码不报错，但结果不对。最常见的场景是：Excel 里的订单号是文本，比如 "00123"，pandas 读进来以后会自动转成数字 123，丢失了前面的零；另一个场景是销售额列里混了中文备注，pandas 读进来变成字符串，求和结果直接报错或产生错误大数。
处理方案就是前面讲过的dtype参数和pd.to_numeric(errors="coerce")。我在读取数据时，凡是原本应该作为文本标识的列，全部显式声明为str类型，这样能避免绝大多数隐式转换问题。
还有一个细节是 pandas 里的空值NaN。如果你把 DataFrame 写回 Excel，空值默认会变成空单元格，这是正常的；但如果某个数值列里有 NaN，它会被写成 "NaN" 字符串，这在 Excel 里看会是一个文本单元格，非常碍眼。处理办法是：
df = df.fillna("")或者先对数据做fillna后再写入。我用完这个方法以后，Excel 里终于看不到乱七八糟的 "NaN" 字样了。
7. 从项目出发的几点心得
做数据分析相关的工作，工具永远是为目的服务的。你有多少种花哨的格式控制能力都不如先把源数据的质量管好。我这两年在处理十几份不同来源的 Excel 报表时最大的体会是：pandas 擅长的是把"脏数据变成整齐数据"，openpyxl 擅长的是把"整齐数据变成好看数据"，真正的价值往往在两者的接口处——你先把数据逻辑理清楚，再去纠结格式细节，效率会翻倍。
另一个小技巧是：办公自动化的脚本尽量写成"读模板、填数据、另存为"的模式。我始终保留一份格式模板，openpyxl 每次基于模板生成新文件，而不是从零画样式。这样一来，一旦需要调整表头字体或列宽，我只需要改模板，不改代码，整个流程的维护成本会低很多。
最后说一句，网上教程很多，但真正有用的信息往往来自跑通一次实际业务需求。找一个你手头真实的 Excel 报表，踏踏实实用 pandas 清洗一遍、用 openpyxl 美化一遍，踩过一遍坑之后，你对这两个库的理解一定比看十篇文章都管用。
