刚开始接触Python处理Excel时，我以为就是读个文件、写个数据，结果连踩三个坑——读错编码、公式不更新、大型文件内存爆炸。今天就把这些血泪史摊开讲，顺便给你一套能直接用的代码。
先看第一个坑：为什么不用xlrd了？
老教程还在教你用xlrd读.xlsx文件？这个库从2021年起就停止支持.xlsx了。我去年还因此写了半天代码，发现所有日期都变成了数字。那场面，像看天书。
>“
错误示范：读出来是数字
import xlrd
workbook = xlrd.open_workbook('报表.xlsx')
日期列返回的是Excel序列号 44197，而不是2021-01-01
`
正确姿势是用openpyxl（处理.xlsx）或pandas（通用方案）。我90%的场景都用pandas，因为它在数据处理上是真·亲爹级工具。
开篇示意图：一张对比图，左边是手动复制粘贴Excel的混乱工作流，右边是Python自动处理的清晰管道。
实战1：合并100个Excel文件，从3小时到3秒
上周帮财务部合并季度报表，100个销售团队的Excel文件，每个文件里的表格结构一模一样。手动做？Ctrl+C/V到手腕抽筋。用pandas：
`pyt
hon
import pandas as pd
import glob
import os
为什么要这么写：用glob匹配所有xlsx文件，比手动列文件名强100倍
file_paths = glob.glob('销售数据/*.xlsx')
创建空列表，别用.append一遍遍加DataFrame，那样内存会炸
dfs = []
for file in file_paths:
# 这里踩过坑：有些文件有隐藏sheet，用sheet_name明确指定
df = pd.read_excel(file, sheet_name='销售明细', engine='openpyxl')
# 加一列记录来源文件名，方便后面查问题
df['来源文件'] = os.path.basename(file)
dfs.append(df)
concat比append快5倍，尤其当数据量10万行以上时
combined_df = pd.concat(dfs, ignore_index=True)
输出到Excel，index=False是血的教训，不然你会多一列索引
combined_df.to_excel('合并报表.xlsx', index=False, engine='openpyxl')
`
运行时间对比：手动3小时 → 脚本3.2秒。财务妹子看到结果时，表情从“你在开玩笑？”变成了“这玩意儿能帮我写报销单吗？”
另一个坑：Excel公式不更新，数据永远是错的
有次我用openpyxl读取同事的报表，里面有些单元格是SUM公式。结果读出来全是None，我以为数据丢了，差点重做所有工作。
原因：openpyxl默认读取的是公式文本，不是计算结果。你要用data_only=True参数，但还有个更恶心的坑——如果公式依赖的文件没打开过，就算用了这个参数，读出来的还是None。
`python
from openpyxl import load_workbook
第一种方式：读计算结果（但有坑）
wb = load_workbook('报表.xlsx', data_only=True)
ws = wb.active
print(ws['A10'].value) # 可能输出None，尤其是公式引用外部文件时
解决方案：先让Excel保存为值，再用pandas读取
或者用xlwings实时计算（需要Excel进程）
import xlwings as xw
app = xw.App(visible=False) # 后台运行，不弹窗口
wb = app.books.open('报表.xlsx')
ws = wb.sheets['Sheet1']
value = ws.range('A10').value # 这个是实时计算的
wb.close()
app.quit()
`
个人吐槽：Excel公式在自动化里就是颗定时炸弹。我现在的原则是：如果数据源有公式，先让同事“复制-粘贴为值”，不然就自己用Python重新计算。
核心示意图：一张流程图展示数据从原始Excel → pandas清洗 → 新Excel输出的完整链路，标注关键步骤的处理时间。
实战2：给1000个单元格改格式，UI操作 vs 代码
上个月要生成200份客户对账单，每份需要把“欠款金额”超过10万的单元格标红加粗。手动改？干到凌晨2点。
`python
from openpyxl import load_workbook
from openpyxl.styles import Font, PatternFill
为什么要用openpyxl而不是pandas：pandas对格式控制几乎等于0
wb = load_workbook('对账单模板.xlsx')
ws = wb.active
定义样式：红色背景+加粗白色字体
red_fill = PatternFill(start_color='FF0000', end_color='FF0000', fill_type='solid')
red_font = Font(bold=True, color='FFFFFF')
遍历B列（从第2行开始，第1行是标题）
for row in range(2, ws.max_row + 1):
cell = ws.cell(row=row, column=2) # column=2就是B列
if isinstance(cell.value, (int, float)) and cell.value > 100000:
cell.fill = red_fill
cell.font = red_font
保存并覆盖原文件
wb.save('对账单_已处理.xlsx')
`
性能数据：1000个单元格的样式修改，0.2秒搞定。同一个操作在Excel里手动做？保守估计15分钟。
还有个技巧：用pandas处理“脏数据”
Excel里经常有“合并单元格”这种反人类设计。读进去的全是NaN，合并后只有第一行有值。用fillna(method=’ffill’)解决：
`python
import pandas as pd
df = pd.read_excel('脏数据.xlsx', header=None)
假设第1列有很多合并单元格，导致后面行是NaN
df[0] = df[0].fillna(method='ffill') # 向前填充，跟Excel的“向下填充”一个意思
删除全为NaN的行（有些合并单元格带来的空行）
df = df.dropna(how='all')
重新设置第一行为列名
df.columns = df.iloc[0]
df = df[1:].reset_index(drop=True)
`
官方文档骂娘时刻：fillna的文档写的是“Fill NA/NaN values”，但没告诉你method=’ffill’在大型DataFrame上的性能比循环快100倍。我只想说：写文档的人可能没处理过10万行以上的数据。
总结前示意图：一张柱状图对比手动操作vs Python自动化的时间消耗，涵盖数据合并、格式修改、公式计算、报表生成四个场景。
总结一下，你可以立刻用的三个点
，指定engine=’openpyxl’，加sheet_name避免读错表。不要碰xlrd了，它已经退休了。也不可靠），xlwings虽然需要Excel进程，但数据实时准确，适合做自动化报表。最后一句掏心窝的话：能用代码解决的，别用手。能自动化解决的，别熬夜。