【从零开始学excel办公自动化】第十五课:Excel透视表太慢?Pandas 3行代码搞定,效率提升100倍
- 2026-11-12 05:30:27
10年青少年编程教育经验 | 资深Python专家
前大厂技术总监 | 现编程教育创业者
专注青少年编程教育技能提升
大家好，我是浩浩学编程的方老师，这是excel办公自动化系列的第15课。
前面方老师带大家学习了：安装python和pandas以及番外篇1安装开发工具vscode。
前面学了【从零开始学excel办公自动化】第七课：如何在5秒内将一个excel里面的20个员工工作表里的考核数据合并到一个工作表里的操作，大家可以去回顾一下。
ps：后台回复：“excel课程”获取到目前为止课程的测试文件（失效的话，在留言区留言
）。
今日技能
📱 如何通过pandas的透视图方式来解决大数据的多维度分析
大家试想一下这样的场景：
面对几万甚至几十万行的销售数据，领导要求下班前给分析结果，但是Excel卡到怀疑人生，透视表拖来拖去，电脑风扇狂转，但温度却降不下来，最后还没保存就崩溃了...
所以，方老师建议大家别再用Excel折磨自己了！
今天方老师这一招，彻底解决这个问题。是什么呢？
就是Pandas的pivot_table（透视表），没错，excel也有这个，大家应该都不陌生。
通过它，3行代码就能搞定复杂的数据分析，效率直接提升100倍。
一、为什么要用Pandas透视表？
先看一个真实场景
假设你有一份销售数据，包含：日期、销售员、产品类别、销售额。
领导让你下班前给出结果：每个销售员每个季度的销售额汇总
如果用Excel来操作，那流程差不多是这样的：
先插入辅助列提取季度 选中数据，插入透视表 把销售员拖到行，季度拖到列，销售额拖到值 数据量大时，每拖一下都要等几秒甚至几十秒
Pandas的做法：
import pandas as pd# 读取数据df = pd.read_excel('sales_data.xlsx')# 提取季度df['季度'] = df['日期'].dt.quarter# 一行代码生成透视表result = df.pivot_table(values='销售额',index='销售员',columns='季度',aggfunc='sum',fill_value=0)
搞定！就这3行代码。
二、pivot_table核心参数详解
记住这5个参数，走遍天下都不怕：
df.pivot_table(values=['销售额', '数量'],# 要统计的列等index='销售员',# 行分类,比如地区等columns='季度',# 列分类、月份等aggfunc='sum',# 统计方式：比如mean、count等fill_value=0# 空值填充)
实战案例1：单维度销售分析
统计每个地区每个产品类别的平均销售额
# 统计每个地区每个产品类别的平均销售额result = df.pivot_table(values='销售额',index='地区',columns='产品类别',aggfunc='mean',fill_value=0)
实战案例2：多层索引分析、
按销售员和季度双层分组，统计销售额和订单数
其中销售额用sum（求和），订单数用count（计数）
# 按销售员和季度双层分组，统计销售额和订单数result = df.pivot_table(values=['销售额', '订单数'],index=['销售员', '季度'],aggfunc={'销售额': 'sum','订单数': 'count'})
实战案例3：添加总计行/列
使用 margins参数来添加按列总计
# 添加行列总计result = df.pivot_table(values='销售额',index='销售员',columns='季度',aggfunc='sum',margins=True,# 添加总计margins_name='总计')
三、初学者最容易踩的5个坑
坑1：数据类型不对
❌ 错误：销售额列是字符串类型，无法求和
✅ 解决：先做类型转换
# 先转换数据类型df['销售额'] = df['销售额'].astype(float)
坑2：忘记处理空值
❌ 错误：透视表中出现NaN，影响后续计算
✅ 解决：用fill_value参数填充空值
# 用fill_value参数填充空值result = df.pivot_table(..., fill_value=0)
坑3：重复数据导致统计错误
❌ 错误：同一笔订单被重复计算
✅ 解决：先去重
# 先去重df = df.drop_duplicates()# 或者用aggfunc='mean'等避免重复累加
坑4：索引太多导致表格太宽
❌ 错误：把日期作为columns，结果表格可能会有365列
✅ 解决：
# 先对日期进行分组df['月份'] = df['日期'].dt.to_period('M')# 再用月份作为columnsresult = df.pivot_table(...,columns='月份')
坑5：混淆pivot和pivot_table
❌ 错误：用pivot做复杂汇总，结果报错
✅ 记住区别：
pivot()：只是重塑数据，不能做聚合pivot_table()：可以做聚合统计（sum、mean等）
做数据分析用pivot_table就对了！
四、3个办公场景实战
场景1：月度销售报表一行代码生成月度销售报表
# 生成月度销售报表report = df.pivot_table(values='销售额',index='销售员',columns=df['日期'].dt.month,aggfunc='sum',fill_value=0)# 导出到Excelreport.to_excel('月度销售报表.xlsx')
场景2：库存周转分析
统计每个仓库每个产品的库存周转情况
# 统计每个仓库每个产品的库存周转情况inventory_analysis = df.pivot_table(values=['入库量', '出库量', '库存量'],index=['仓库', '产品名称'],aggfunc='sum',fill_value=0)# 计算周转率inventory_analysis['周转率'] = (inventory_analysis['出库量']/ inventory_analysis['库存量'])
场景3：员工业绩排名
# 统计员工业绩并排序performance = df.pivot_table(values='销售额',index='销售员',aggfunc='sum').sort_values('销售额',ascending=False)# 添加排名performance['排名'] = range(1,len(performance) + 1)
五、效率对比：Excel vs Pandas
以10万行数据为例：
结论：数据量超过10万行，Pandas完胜。
写在最后
学会pandas的pivot_table，你就掌握了数据分析的尖端武器。
记住下面这三个参数：
values放数字类型字段 —— 要统计的数值列 index放分类型字段 —— 想按什么维度看 - aggfunc定规则 —— 求和(sum)、平均(mean)还是计数(count)
好了，这个透视图函数功能就介绍到这里。
🎉 同学们，看到这里，你学会了吗！
方老师说： 🚀 现在屏幕前的你已经比90%的同龄人领先一步了！
接下来可以：
介绍一下pandas相关数据分析中常用统计指标（下期教程教！）
⚠️ 遇到问题？评论区甩截图，方老师尽量在24小时内回复！
如果这篇文章对你有帮助，记得点个「推荐」，转发给还在用Excel加班的同事！
