做产品、运维或客服的同学，是不是经常要处理几十上百条用户反馈？尤其是10MB左右的Excel文件，手动统计数据、计算指标，不仅耗时还容易出错。
今天给大家分享一个实用Python脚本，专门解决用户反馈Excel的分析需求，无需复杂操作，一键完成两大核心任务：计算平均token消耗 + 统计高频问题类型，新手也能直接上手！
先搞懂：这个脚本能帮你解决什么？
日常处理用户反馈Excel时，我们最关心两个问题：一是每次反馈的平均token消耗（尤其是对接AI反馈场景），二是用户最常反馈的问题类型（方便定位核心需求/故障）。
这个脚本就是为这两个需求量身打造的，核心优势：
1.适配10MB常见Excel（.xlsx/.xls），读取速度快（1-2秒完成）；
2.自动适配多种列名（中英文、下划线都能识别），不用手动修改Excel；
3.自动清洗脏数据（空值、无效文本、空格都能过滤）；
4.支持结果保存，可直接导出CSV用于汇报；
5.轻量级、自包含，修改文件路径就能直接运行。
一、脚本总体结构（极简看懂）
不用纠结复杂代码，脚本整体就3个部分，逻辑清晰到小白也能懂：
1.导入依赖：用到3个核心工具——pandas（处理Excel数据）、sys（处理异常）、collections.Counter（统计频数）；
2.主函数：analyze_feedback(file_path, top_n)，核心功能都在这里（读文件、算数据、输结果）；
3.入口：指定Excel文件路径，调用主函数就能运行。
简单说：你只需要告诉脚本“Excel在哪里”，它就会自动完成所有分析，不用写额外代码。
二、核心功能拆解（附关键代码）
下面重点讲两个核心任务的实现逻辑，关键代码都标好了，可直接复制修改。
1. 读取Excel文件（基础一步）
首先要让脚本“读得懂”Excel，关键代码就1行：
python df = pd.read_excel(file_path, engine='openpyxl') |
补充两个实用细节，避免踩坑：
1.1如果你的Excel是旧版.xls格式，把engine改成xlrd（需要提前安装xlrd库）；
1.2脚本自带异常捕获：如果文件不存在、路径写错，会自动提示并退出，不会报错卡死。
2. 计算平均token消耗（自动适配列名）
很多时候，不同Excel的token列名不一样（比如“token_usage”“token消耗”“token数量”），脚本不用手动修改，自动匹配常见列名。
第一步：列名自动适配
python token_candidates = ['token_usage', 'token消耗', 'token数量', 'tokens', 'token_used', 'token_count'] |
脚本会遍历这个列表，只要Excel中有其中一个列名，就会自动识别为token消耗列；如果都找不到，会提示你“没有匹配的列”，并列出所有可用列名，避免瞎找。
第二步：数据清洗+计算
Excel中难免有脏数据（比如“无效值”“N/A”），脚本会自动过滤，保证计算准确：
python # 把非数值转为空值，删除空值后计算平均值 df[token_col] = pd.to_numeric(df[token_col], errors='coerce') valid_tokens = df[token_col].dropna() average_token = valid_tokens.mean() |
举个例子：如果token列有150、200、“无效值”、180，脚本会自动忽略“无效值”，计算（150+200+180）/3 ≈ 176.67，不用手动删除脏数据。
3. 统计高频问题类型（输出占比，直接用）
和token列一样，脚本也能自动匹配问题类型列，统计每个类型的出现次数和占比，还能指定输出前N个高频类型。
列名适配（和token逻辑一致）
python issue_candidates = ['issue_type', '问题类型', 'category', '分类', 'type', '问题分类'] |
数据清洗+频数统计
python # 删除空值、空格，统计每个类型的次数 issues = df[issue_col].dropna().astype(str) issues = issues[issues.str.strip() != ''] counter = Counter(issues) # 取前N个高频类型（top_n可自定义） top_issues = counter.most_common(top_n) |
输出格式（直接用于汇报）
脚本会自动按排名输出，包含“问题类型+出现次数+占比”，比如：
1. 登录失败：2次（50%）
2. 页面卡顿：1次（25%）
3. 数据不同步：1次（25%）
4. 可选功能：结果保存为CSV
分析完成后，脚本会询问你“是否保存结果”，保存的内容包含：平均token消耗、高频问题类型及次数/占比，用encoding='utf-8-sig'保证中文正常显示，导出后可直接复制到汇报文档。
三、关键设计：为什么这个脚本好用？
很多同学自己写脚本会踩坑，这个脚本提前规避了常见问题，设计很贴心：
设计点 | 核心作用（避免踩坑） |
候选列名列表 | 适配业务中列名不统一的问题，不用手动修改Excel列名 |
pd.to_numeric(errors='coerce') | 防止脏数据导致脚本报错，自动过滤非数值内容 |
过滤空字符串/空格 | 避免把“空格”统计成一个问题类型，保证数据准确 |
Counter统计 | 灵活取前N个高频类型，还能自定义合并同类问题 |
交互式保存 | 避免自动覆盖文件，给用户选择权，更安全 |
四、运行示例（一看就会）
假设你的Excel数据长这样（简单4行，包含脏数据）：
token_usage | 问题类型 |
150 | 登录失败 |
200 | 页面卡顿 |
无效值 | 登录失败 |
180 | 数据不同步 |
运行脚本后，输出结果如下（清晰直观）：
1.平均token消耗：176.67（已过滤无效值）
2.高频问题类型（前3个）：
2.1登录失败：2次（50.00%）
2.2页面卡顿：1次（25.00%）
2.3数据不同步：1次（25.00%）
五、根据实际文件调整（3步搞定）
每个人的Excel列名、需求可能不一样，只需简单3步调整，就能适配你的文件：
1.修改列名候选列表：如果你的token列叫“Token Used”，问题类型列叫“Category”，直接加入对应列表即可；
2.调整高频个数：想输出前20个高频问题，调用函数时写analyze_feedback(file, top_n=20)；
3.自定义需求：
3.1合并同类问题：比如把“登录异常”“登录超时”都归为“登录失败”，添加代码issues = issues.replace({'登录异常':'登录失败', '登录超时':'登录失败'})；
3.2用中位数代替均值：如果token数据偏差大（比如有极端值999999），把valid_tokens.mean()改成valid_tokens.median()。
六、避坑提醒（必看）
1.列名匹配大小写敏感：如果Excel列名是“Token_Usage”（首字母大写），候选列表里是“token_usage”，会匹配失败；建议把候选列表改成小写，再用df.columns.str.lower()统一匹配；
2.文件大小限制：10MB以内完全没问题，超过50MB建议用dask.dataframe分块读取；
3.异常值处理：如果token列有极端值，先运行valid_tokens.describe()查看数据分布，避免平均值失真。
最后总结
这个脚本不是复杂的项目，而是一个“拿来就用”的轻量级工具——不用懂复杂的Python语法，不用手动处理数据，修改文件路径就能一键完成用户反馈Excel的核心分析。
不管你是产品经理（统计用户反馈重点）、运维（定位高频故障），还是客服（整理用户诉求），这个脚本都能帮你节省大量时间，把精力放在更核心的工作上。
需要完整脚本的同学，可直接复制文中代码，按自己的Excel调整即可，运行无压力～
