Python操作Excel有哪些常用库？openpyxl、pandas与xlwings对比

使用 Python 操作 Excel 时，最常接触的三个库是 openpyxl、pandas 和 xlwings。它们并不是互相替代的竞品，而是服务于截然不同的技术场景：openpyxl 专注于在无需安装 Office 的环境下精细读写 .xlsx 文件的内容与样式；pandas 专注于海量表格数据的批量抽取、清洗与向量化统计计算；xlwings 则直接通过操作系统接口驱动本地安装的 Excel 桌面软件，擅长处理 VBA 宏调用、公式实时重算和人机交互。选择的关键在于分清业务诉求是“做精美格式排版”、“搞批量数据分析”还是“控桌面办公软件”。

一、底层运作机制与技术架构差异

理解三个库的核心差异，首先要看它们在操作系统和文件层面是如何工作的。很多初学者在服务器上部署脚本时报错，或者在写出数据时发现原有样式全部丢失，根源都在于没有弄清底层的操作方式。

• openpyxl：纯 Python 实现的 XML 包解构器。现代 .xlsx 文件本质上是一个遵循 OpenXML 标准的压缩包（ZIP 文件），内部由数个存储数据、样式、工作表关系的 XML 文档构成。openpyxl 通过解包、解析并重构这些 XML 节点来修改文件，因此它完全不需要宿主机安装 Microsoft Office 或 WPS，可以无缝运行在 Linux 服务器、Docker 容器或云计算函数中。
• pandas：以内存二维表 DataFrame 为核心的数据引擎。pandas 本身并不直接实现底层 Excel 文件协议的编解码，而是将 Excel 文件视为数据输入源，借由 openpyxl、calamine 或 xlrd 等底层引擎将数据灌入内存结构 DataFrame，完成矩阵运算后再写出。它的目标是数据内容本身，默认忽略或抹去字体、单元格底色、边框等视觉排版信息。
• xlwings：基于 COM/AppleScript 的桌面进程桥接器。在 Windows 上通过 COM 接口、在 macOS 上通过 AppleScript，xlwings 将 Python 指令实时传递给正在运行的 EXCEL.EXE 或 Excel 应用实例。它操作的是真实的 Excel 桌面软件，所有公式由 Excel 自带的计算引擎即时演算，宏代码也能原生触发，但这也意味着它必须依赖客户端桌面操作系统与预装的 Office 软件，无法运行在标准的无头（Headless）Linux 容器中。

二、核心特性与能力维度横向对比

为了在不同业务需求下快速匹配适用的库，我们可以从环境依赖、排版与样式、性能表现、高级功能支持等六个核心维度进行综合评定。

三、典型代码示例与具体操作

下面通过三个独立的实操任务，分别展示每个库最擅长的编码方式与常见注意点。所有示例均在 Python 3 环境下经过验证。

1. openpyxl：生成带有自定义样式与边框的业务报表

当需求是输出一份直接发送给管理层或客户的周报时，居中对齐、表头着色、粗边框和单元格合并是必不可少的。

import openpyxl
from openpyxl.styles import Font, PatternFill, Alignment, Border, Side

# 1. 创建工作簿与工作表
wb = openpyxl.Workbook()
ws = wb.active
ws.title = "销售汇总"

# 2. 合并顶部大标题并设置样式
ws.merge_cells("A1:C1")
title_cell = ws["A1"]
title_cell.value = "2026年第一季度区域销售简报"
title_cell.font = Font(name="Microsoft YaHei", size=14, bold=True, color="FFFFFF")
title_cell.fill = PatternFill(start_color="6487A5", end_color="6487A5", fill_type="solid")
title_cell.alignment = Alignment(horizontal="center", vertical="center")
ws.row_dimensions[1].height = 36

# 3. 填充表头数据
headers = ["大区名称", "目标金额 (万元)", "达成金额 (万元)"]
ws.append(headers)

# 表头行样式设置
thin_border = Border(
    left=Side(style='thin', color='D0D7DE'),
    right=Side(style='thin', color='D0D7DE'),
    top=Side(style='thin', color='D0D7DE'),
    bottom=Side(style='thin', color='D0D7DE')
)

for col_num in range(1, 4):
    cell = ws.cell(row=2, column=col_num)
    cell.font = Font(name="Microsoft YaHei", size=11, bold=True)
    cell.fill = PatternFill(start_color="F2F4F8", end_color="F2F4F8", fill_type="solid")
    cell.alignment = Alignment(horizontal="center", vertical="center")
    cell.border = thin_border

# 4. 追加数据行
rows_data = [
    ["华东区", 120, 138],
    ["华南区", 100, 95],
    ["华北区", 90, 92]
]
for row in rows_data:
    ws.append(row)

# 5. 调整列宽以避免内容被遮挡
ws.column_dimensions["A"].width = 18
ws.column_dimensions["B"].width = 20
ws.column_dimensions["C"].width = 20

# 保存生成的文件
wb.save("sales_report_styled.xlsx")

2. pandas：多表数据批量读取、过滤与分组汇总

面对几万行交易流水时，使用单元格逐个遍历的性能极低。pandas 借助底层高效的 C 语言扩展，可实现毫秒级的行列筛选与分组统计。

import pandas as pd

# 1. 快速读取 Excel 文件指定 Sheet
# 内部默认调用 openpyxl 或 calamine 引擎
df = pd.read_excel("raw_transactions.xlsx", sheet_name="明细数据")

# 2. 检查数据类型并进行矢量化清洗
# 过滤退款订单，只保留状态为“已完成”的记录
valid_df = df[df["order_status"] == "已完成"].copy()

# 转换交易时间列为日期格式
valid_df["pay_time"] = pd.to_datetime(valid_df["pay_time"])

# 3. 按部门和月份做透视聚合
valid_df["month"] = valid_df["pay_time"].dt.to_period("M")
summary = valid_df.groupby(["department", "month"])["amount"].agg(["count", "sum"]).reset_index()
summary.rename(columns={"count": "成交笔数", "sum": "总成交额"}, inplace=True)

# 4. 极速写出到新的 Excel
# 注意：to_excel 默认不保留原模版中的公式与样式
summary.to_excel("transactions_summary.xlsx", sheet_name="部门月度汇总", index=False)

3. xlwings：联动本地 Excel 软件、刷新公式与执行 VBA 宏

如果既有业务流程严重依赖已有的 .xlsm 宏模版，或者必须依赖 Excel 复杂插件的即时计算结果，xlwings 是最简便的选择。

import xlwings as xw

# 1. 连接到当前运行的 Excel 进程，或静默后台启动一个新实例
# visible=False 表示在后台静默运行，适合批量跑批
app = xw.App(visible=False, add_book=False)

try:
    # 2. 打开带有复杂公式与宏的业务工作簿
    wb = app.books.open("finance_model_with_vba.xlsm")
    ws = wb.sheets["输入参数"]

    # 3. 批量更新单元格参数（尽量按二维范围写入，避免单个单元格循环）
    ws.range("B3").value = 1500000        # 更新项目预算
    ws.range("B4").value = 0.085          # 更新折现率

    # 4. 调用工作簿中预设的 VBA 宏进行全表级联推演
    run_macro = wb.macro("RunFinancialProjection")
    run_macro()

    # 5. 此时 Excel 已经完成原生计算，直接读取推演结果
    result_sheet = wb.sheets["财务预测结果"]
    npv_value = result_sheet.range("D15").value
    irr_value = result_sheet.range("D16").value
    print(f"计算结果：净现值 NPV={npv_value:.2f}, 内部收益率 IRR={irr_value:.2%}")

    # 6. 保存并导出 PDF 报表（Excel 内置功能）
    wb.to_pdf("finance_report_output.pdf")

finally:
    # 务必在 finally 块中关闭工作簿并退出 app，防止后台遗留僵尸 EXCEL.EXE 进程
    wb.close()
    app.quit()

四、选型判断逻辑与决策步骤

面对一个具体的新需求，无需纠结“哪个库更好”，只需按以下步骤一步步排除即可得出最合理的技术选型：

五、总结与工程落地建议

在实际工程落地中，三个库并非非此即彼，许多成熟的数据管道会采用“组合拳”方式：

• 黄金搭档：pandas 运算 + openpyxl 排版。先用 pandas 读取多个原始表，完成复杂的分组、聚合与清洗计算，然后通过 ExcelWriter(engine='openpyxl') 写入物理文件；随后立即调用 openpyxl.load_workbook() 打开该文件，针对生成的表格应用表头底色、数字千分位格式与边框。这种组合既保证了万级数据的处理吞吐，又保全了最终交付物的排版质感。
• 桌面运维与既有系统兼容：专精 xlwings。当公司内部已有一套维护多年、逻辑极其繁复的 VBA 资产或金融定价模版时，重写为纯 Python 的迁移成本极高。此时使用 xlwings 在本地静默启动 Excel 传入参数并运行宏，通常是性价比最高且最稳妥的方案。