
来源:早起Python
作者:陈熹、刘早起
大家好,我是早起。
在之前的文章中我们曾详细的讲解了如何使用openpyxl 操作Excel,其实在Python中还有其他可以直接操作 Excel 文件的库,
如 xlwings、xlrd、xlwt 等等,本文就将讲解另一个优秀的库xlwings
开头还是想说一下,各个库之间没有明确的好坏之分,每个库都有其适合的应用场景,
并且xlwings 和 openpyxl 许多区别决定了它们的能力是互为补充:
“
xlwings:需要安装有 Excel 软件,支持 .xls和 .xlsx 格式;可以调用 Excel 文件中 VBA 写好的程序;
和 matplotlib 以及 pandas 的兼容性强
openpyxl:不需要 Excel 软件,仅支持 .xlsx 格式
”
xlwings 是一个非标准库,需要在命令行中安装,在终端(Mac)/命令行(Win)使用pip安装即可,一般不会出现什么问题。
pip install xlwings
对 xlwings 的核心理解就在于下面这张图:
可以看到,和 xlwings 直接对接的是 apps,也就是 Excel 应用程序,然后才是 工作簿 books 和工作表 sheets,这点和 openpyxl 有较大区别,也正是因为此,xlwings 需要依然安装有 Excel 应用程序的环境
使用app打开
import xlwings as xw
app = xw.App(visible=True, add_book=False) # 程序可见,只打开不新建工作薄 app.display_alerts = False
# 警告关闭 app.screen_updating = False # 屏幕更新关闭
这里需要注意,因为 xlwings 是以程序 apps 作为初级操作对象,因此开始和最后都是基于 app 的开和关
path = r"C:Scientific ResearchPython" wb = app.books.open(path + r'practice.xlsx')
wb.save() # 保存文件 wb.close() # 关闭文件 app.quit() # 关闭程序
打开表格又分一下两种情况,即 固定 和 活动:
xw.Book(path + r'practice.xlsx') # 固定打开表格 xw.books.open(path + r'practice.xlsx') #
频繁打开表格
固定和频繁打开涉及到一个概念,称活动对象,它使 xlwings 的操作更显灵活:
# 活动应用程序 app = xw.apps.active # 活动工作簿 wb = xw.books.active
# 在活动app wb = app.books.active # 在特定app # 活动工作表 sheet = xw.sheets.active
# 在活动工作簿 sheet = wb.sheets.active # 在特定工作簿 # 活动工作表的Range xw.Range('A1')
无论是新建还是打开都记得保存工作簿、关闭工作簿、关闭程序
path = r"C:Scientific ResearchPython" wb = app.books.add()
wb.save(path + r'new_practice.xlsx')
wb.close()
app.quit()
示例文件 practice.xlsx 如下:
下面的代码部分不再显示程序的开闭代码,利于直观看到重点:
path = r"C:Scientific ResearchPython" wb = app.books.open(path + r'practice.xlsx') #
类似 openpyxl 中的 sheet = workbook.active sheet = wb.sheets.active #
获取单个单元格的值 A1 = sheet.range('A1').value
print(A1) # 获取横向或纵向多个单元格的值,返回列表 A1_A3 = sheet.range('A1:A3').value
print(A1_A3) # 获取给定范围内多个单元格的值,返回嵌套列表,按行为列表 A1_C4 = sheet.range('A1:C4').value
print(A1_C4)
在 xlwings 中,可以通过 sheet.range 获取一个或多个单元格进行操作,另外也可以不用 sheet.range 获取:
# 获取单个单元格的值 A1 = sheet['A1'].value print(A1) # 获取横向或纵向多个单元格的值,返回列表 A1_A3
= sheet['A1:A3'].value print(A1_A3) # 获取给定范围内多个单元格的值,返回嵌套列表,按行为列表 A1_C4
= sheet['A1:C4'].value print(A1_C4)
无论是单个单元格还是多个单元格,可以用 .value直接获取,输出结果和使用 .range 完全一致,也避免了类似 openpyxl
对于多个单元格需要再建立循环遍历才能获取值。
还有一种类似 pandas 切片获取范围内所有值的方法:
sheet = wb.sheets.active A1_B2 = sheet[:2, :2].value print(A1_B2)
以下为写入 1 个单元格、一行或一列写入多个单元格、写入范围内多个单元格代码
# 写入 1 个单元格 sheet.range('A2').value = '大明' # 一行或一列写入多个单元格 #
横向写入A1:C1 sheet.range('A1').value = [1,2,3] # 纵向写入A1:A3 sheet.range('A1').options(transpose=True).value =
[1,2,3] # 写入范围内多个单元格 sheet.range('A1').options(expand='table').value = [[1,2,3], [4,5,6]]
例如,如果要给 practice.xlsx 添加一行新的记录,代码如下:
import xlwings as xw
app = xw.App(visible=True, add_book=False)
app.display_alerts = False app.screen_updating = False path = r"C:Scientific ResearchPython" wb
= app.books.open(path + r'practice.xlsx')
sheet = wb.sheets.active
sheet.range('A5').value = ['小兰', 23, '女']
wb.save()
wb.close()
app.quit()
有两种方法实现
# 方法一 shape = sheet.used_range.shape print(shape) # 方法二 nrow = sheet.api.UsedRange.Rows.count
ncol = sheet.api.UsedRange.Columns.count print(nrow) print(ncol)
# 输出 print(sheet.range('A1:A2').row_height) print(sheet.range('A1:A2').column_width)
# 修改
sheet.range('A1:A2').row_height = 15 sheet.range('A1:A2').column_width = 10
可以调用Excel公式,这是pandas无法完成的
# 获取公式 print(sheet.range('B2').formula_array) # 写入公式 sheet.range('B2').formula='=SUM(A1,A2)'
当然类似openpyxl等样式修改也是支持的
# 获取颜色 print(sheet.range('C1').color) # 设置颜色 sheet.range('C1').color = (255, 0, 120) #
清除颜色 sheet.range('C1').color = None
以上仅是针对一些常用操作给出代码示例与讲解,更多的操作可以阅读官方文档,大家也可以自己对比一下
xlwings和其他库在部分操作上的异同。未来我们也会更新基于xlwings的办公自动化案例!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09