当前位置:

首页 > 编程开发 > Python批量统计Excel工作簿的最大值和最小值

Python批量统计Excel工作簿的最大值和最小值

使用Python批量统计Excel工作簿中多个工作表的指定列极值,自动清洗数值并输出每张表的最大值、最小值、所在行及对应关键字段,同时生成包含全局极值的汇总表,实现可追溯的批量统计。

本文目录

    这篇继续整理《超简单:用 Python 让 Excel 飞起来》第6章中的案例内容,主题是:批量统计工作簿的最大值和最小值。这个案例看起来不复杂,毕竟 Excel 里本来就有 MAX() 和 MIN() 函数。但真正放到办公场景里,问题就不是“会不会用函数”,而是“能不能批量、稳定、可追溯地统计”。

    很多实际表格并不是一张表解决问题,而是一个工作簿里有多张工作表。比如按月份分成 1月、2月、3月,或者按区域分成华北、华东、华南,每张表的字段结构相似,但数据行数不同。现在如果要统计某一列的最大值和最小值,手工做法通常是:打开每张表,写公式,复制结果,再新建汇总表。

    这种做法最大的问题不是慢,而是不可靠。表一多,最容易出现复制漏表、公式区域选错、结果没有追溯来源等问题。尤其是领导问一句“最大值是哪张表里的哪条记录”,如果前面只算了一个数字,后面还要重新翻表找数据。

    本篇文章的目标很明确:用 Python 自动完成多个工作表的极值统计,最终得到每张工作表的最大值、最小值,以及全工作簿范围内的全局最大值和全局最小值。

    开篇先看整体效果。本图把本节主题压缩成一个核心动作:用 Python + Excel 自动化,一次性处理多个工作表中的最大值和最小值。

    Python批量统计Excel工作簿的最大值和最小值

    从画面里可以看出,本节重点不是单独统计一张表,而是面对多个 Sheet 时,把重复统计动作交给脚本完成。真正有价值的结果也不只是“最大值是多少”,而是形成一套可重复执行的批量统计流程。

    如果你的工作里经常处理销售表、库存表、利润表、成本表、绩效表、资产台账,这类脚本就很有复用价值。

    2. 目标效果:不是只算数字,而是输出可追溯结果

    这类任务如果只是算出一个最大值、一个最小值,其实价值有限。因为真实办公场景里,数字只是结果,后面还要能回答三个问题:

    第一,这个最大值来自哪张工作表?

    第二,这个最大值在第几行?

    第三,这条记录对应的产品、订单、部门或人员是谁?

    所以更建议把目标效果设计成三层:

    输出层级输出内容实际价值
    单表统计每张工作表的最大值、最小值快速知道每张表的极值情况
    行级定位极值所在行索引、关键字段能回到原始记录,不只是看数字
    汇总输出生成“极值汇总”工作表打开文件就能看到最终结论

    也就是说,极值统计不是一个公式问题,而是一个“结果可追溯”的数据处理问题。

    如果只用 Excel 公式,也能算出极值;但要批量遍历多个工作表、自动清洗数字、定位行号、生成汇总表,Python 会更合适。

    3. 实现思路:读取、清洗、统计、定位、汇总

    这一节的底层逻辑可以拆成一条流水线。先打开工作簿,再遍历所有工作表,读取目标数据列,清洗成数值类型,然后计算最大值和最小值。最后再把每张表的统计结果汇总到新工作表里。

    这里最关键的判断是:不要默认 Excel 单元格里看起来像数字,就一定能被 Python 当成数字处理。真实表格里经常会出现逗号、货币符号、空格、中文单位、空值等情况。如果不先清洗,max() 和 min() 的结果可能不可靠,甚至直接报错。

    这一张流程图非常适合放在实现思路部分。它把“极值统计”拆成了从读取到输出的完整链路,而不是只停留在 max() 和 min() 两个函数上。

    Python批量统计Excel工作簿的最大值和最小值

    从流程里可以看出,真正的自动化不是简单执行一行公式,而是把每一步都固定下来:读取工作簿、清洗数据、计算极值、定位行记录、生成汇总结果。这样脚本才能在不同工作簿里重复使用。

    这也是写办公自动化脚本时最重要的习惯:不要只写“能跑”的代码,要写“能复用、能验证、能解释”的代码。

    4. 完整代码:批量统计最大值和最小值

    下面这版代码使用 pandas 负责数据统计,使用 xlwings 负责打开工作簿、写回结果和保存文件。它不是最短写法,但更接近真实办公环境里的可落地写法。

    代码执行前,建议先安装依赖:

    pip install pandas xlwings

    正式运行前还要确认三件事:第一,Excel 文件没有被手动打开占用;第二,目标列名和代码里的 value_col 一致;第三,数据区域从 A1 开始,并且第一行是表头。

    代码部分对应的是完整自动化落地场景:Python 脚本读取 Excel 数据,处理完成后自动输出结果文件。

    Python批量统计Excel工作簿的最大值和最小值

    从这个场景可以看出,Python + Excel 自动化的价值不是替代 Excel,而是把 Excel 中重复、机械、容易出错的动作交给脚本。人工只需要准备原始表格、确认字段规则、检查最终结果。

    import pandas as pd
    import xlwings as xw
    
    
    def clean_to_number(s: pd.Series) -> pd.Series:
        """
        将 Excel 中可能带有逗号、货币符号、空格的文本数字转换为真正的数值。
        例如:
        ¥12,345.67 -> 12345.67
        9,876.5     -> 9876.5
        空值或异常字符 -> NaN
        """
        s = s.astype(str).str.strip()
        s = s.str.replace(",", "", regex=False)
        s = s.str.replace(r"[¥¥$ ]", "", regex=True)
        s = s.str.replace(r"[^0-9.-]", "", regex=True)
        return pd.to_numeric(s, errors="coerce")
    
    
    def batch_min_max(
        input_xlsx: str,
        value_col: str = "销售利润",
        key_col: str | None = None,
        summary_sheet: str = "极值汇总",
        write_cell: str = "J1",
        start_cell: str = "A1",
        sa ve_as: str | None = None,
    ) -> None:
        """
        批量统计一个工作簿中所有工作表指定列的最大值和最小值。
    
        参数说明:
        input_xlsx      原始 Excel 文件路径
        value_col       需要统计最大值和最小值的字段名
        key_col         可选关键字段,例如产品名称、订单号、员工姓名
        summary_sheet   汇总结果工作表名称
        write_cell      每张原始工作表中写回统计结果的位置
        start_cell      表格起始单元格
        sa ve_as         另存为路径;如果为 None,则覆盖保存原文件
        """
        app = xw.App(visible=False, add_book=False)
        app.display_alerts = False
        app.screen_updating = False
    
        try:
            wb = app.books.open(input_xlsx)
            rows = []
    
            for sht in wb.sheets:
                if sht.name == summary_sheet:
                    continue
    
                rng = sht.range(start_cell).expand("table")
                if rng.value is None:
                    print(f"[SKIP] {sht.name}: 空表")
                    continue
    
                df = rng.options(pd.DataFrame).value
                if df is None or df.empty:
                    print(f"[SKIP] {sht.name}: 无有效数据")
                    continue
    
                if value_col not in df.columns:
                    print(f"[SKIP] {sht.name}: 缺少列:{value_col}")
                    continue
    
                num = clean_to_number(df[value_col])
    
                if num.isna().all():
                    print(f"[SKIP] {sht.name}: {value_col} 全部无法转换为数值")
                    continue
    
                max_val = float(num.max(skipna=True))
                min_val = float(num.min(skipna=True))
    
                max_idx = int(num.idxmax(skipna=True))
                min_idx = int(num.idxmin(skipna=True))
    
                max_key = df.loc[max_idx, key_col] if (key_col and key_col in df.columns) else ""
                min_key = df.loc[min_idx, key_col] if (key_col and key_col in df.columns) else ""
    
                stat_df = pd.DataFrame({
                    "指标": [
                        "最大值",
                        "最小值",
                        "最大值所在行索引",
                        "最小值所在行索引",
                        "最大值关键字段",
                        "最小值关键字段"
                    ],
                    "数值": [
                        max_val,
                        min_val,
                        max_idx,
                        min_idx,
                        max_key,
                        min_key
                    ],
                })
    
                sht.range(write_cell).options(index=False).value = stat_df
                sht.autofit()
    
                rows.append({
                    "工作表": sht.name,
                    f"{value_col}最大值": max_val,
                    f"{value_col}最小值": min_val,
                    "最大值行索引": max_idx,
                    "最小值行索引": min_idx,
                    "最大值关键字段": max_key,
                    "最小值关键字段": min_key,
                })
    
                print(f"[OK] {sht.name}: max={max_val}, min={min_val}")
    
            if not rows:
                raise RuntimeError("没有得到任何极值结果,请检查字段名、表格区域或数据内容。")
    
            summary_df = pd.DataFrame(rows)
    
            global_max_row = summary_df.loc[summary_df[f"{value_col}最大值"].idxmax()]
            global_min_row = summary_df.loc[summary_df[f"{value_col}最小值"].idxmin()]
    
            try:
                sum_sht = wb.sheets[summary_sheet]
                sum_sht.clear()
            except Exception:
                sum_sht = wb.sheets.add(summary_sheet, before=wb.sheets[0])
    
            sum_sht.range("A1").value = "全局最大值"
            sum_sht.range("B1").value = float(global_max_row[f"{value_col}最大值"])
            sum_sht.range("C1").value = "来自工作表"
            sum_sht.range("D1").value = global_max_row["工作表"]
    
            sum_sht.range("A2").value = "全局最小值"
            sum_sht.range("B2").value = float(global_min_row[f"{value_col}最小值"])
            sum_sht.range("C2").value = "来自工作表"
            sum_sht.range("D2").value = global_min_row["工作表"]
    
            summary_df_sorted = summary_df.sort_values(
                by=f"{value_col}最大值",
                ascending=False
            )
    
            sum_sht.range("A4").options(index=False).value = summary_df_sorted
    
            try:
                sum_sht.range("A1:D2").api.Font.Bold = True
                sum_sht.autofit()
            except Exception:
                pass
    
            if sa ve_as:
                wb.sa ve(sa ve_as)
                print(f"[DONE] 已另存为:{sa ve_as}")
            else:
                wb.sa ve()
                print(f"[DONE] 已覆盖保存:{input_xlsx}")
    
            wb.close()
    
        finally:
            app.quit()
    
    
    if __name__ == "__main__":
        batch_min_max(
            input_xlsx="产品销售统计表.xlsx",
            value_col="销售利润",
            key_col="产品名称",
            summary_sheet="极值汇总",
            write_cell="J1",
            start_cell="A1",
            sa ve_as="产品销售统计表_极值统计.xlsx"
        )
    

    注意:如果你自己的表里没有 产品名称 这一列,就把 key_col="产品名称" 改成 key_col=None,否则关键字段会取不到。字段名必须和 Excel 表头完全一致,包括空格、括号、单位文字。

    5. 关键点拆解:为什么要记录极值所在行和关键字段

    很多人写极值统计脚本,只会输出一个最大值和最小值。这个结果看起来没错,但在实际工作中并不够。因为业务上真正关心的不是一个孤立数字,而是这个数字背后的记录。

    比如最大利润是 35680,那还要继续问:它是哪张表里的?是哪一行?对应哪个产品?属于哪个销售区域?如果脚本没有记录这些信息,后续还是要人工回到原始表里查。

    这就是为什么代码里要同时使用 max()、min()、idxmax() 和 idxmin()。

    函数作用解决的问题
    max()找最大值最大是多少
    min()找最小值最小是多少
    idxmax()找最大值所在索引最大值在哪一行
    idxmin()找最小值所在索引最小值在哪一行

    这里适合看极值追溯效果。画面中不仅标出了最大值,还把对应的工作表、行索引和关键字段关联起来。

    Python批量统计Excel工作簿的最大值和最小值

    从图中可以看出,极值定位的重点是“从结论回到明细”。这一步非常关键,因为它让统计结果不再是孤立数字,而是能直接追溯到原始数据。对真实办公场景来说,这比单纯算出最大值更有价值。

    建议:凡是做统计脚本,尽量同时输出“统计结论”和“数据来源”。这样后续复核、汇报、截图、做报告都会更顺。

    6. 效果验证:最终应该看到什么结果

    脚本运行结束后,不要只看控制台有没有报错。更稳的验证方式是打开输出的 Excel 文件,检查是否生成了新的 极值汇总 工作表。

    正常情况下,汇总表顶部应该有全局最大值、全局最小值,以及对应来源工作表。下方应该有每张工作表的统计明细,包括最大值、最小值、最大值行索引、最小值行索引和关键字段。

    最终汇总结果可以参考这种效果。它把每张表的极值和全局极值集中展示,适合直接作为统计结果交付。

    Python批量统计Excel工作簿的最大值和最小值

    从这份结果里可以看出,汇总表的价值在于减少二次查找。打开结果页后,读者可以直接看到每张表的最大值、最小值,也能看到全局最大值和全局最小值来自哪里。

    建议至少做下面几个验证动作:

    验证项检查方法正常结果
    是否生成新文件查看输出路径出现 产品销售统计表_极值统计.xlsx
    是否生成汇总表打开 Excel 查看 Sheet存在 极值汇总 工作表
    是否统计到每张表对比原工作表数量汇总表中应有对应记录
    是否有全局结论查看 A1:D2 区域有全局最大值和全局最小值
    是否能追溯记录查看行索引和关键字段能定位到原始工作表中的明细

    如果汇总表为空,不要急着怀疑 Python。优先检查目标列名是否写错、数据区域是否从 A1 开始、目标列是否全是文本异常值,或者工作表是否为空。

    7. 常见问题与踩坑提醒

    7.1 字段名不一致导致跳过工作表

    最常见的问题是代码里写的是 销售利润,但 Excel 里实际表头是 利润、销售利润(元) 或者 销售利润。这类问题肉眼不一定容易发现,尤其是表头前后有空格时。

    推荐做法是先打印每张表的字段名,确认字段是否一致。

    print(df.columns.tolist())
    

    7.2 数字看起来正常,但实际是文本

    Excel 中的数字可能带有逗号、货币符号或者空格,例如 ¥12,345。如果不清洗,Python 可能会把它当成字符串处理。

    这也是代码中单独写 clean_to_number() 函数的原因:先把目标列统一转换成数值,再计算极值。

    7.3 行索引和 Excel 行号不是一回事

    这里需要注意,idxmax() 返回的是 DataFrame 的索引,不一定等于 Excel 里的实际行号。如果表格第一行是标题,DataFrame 索引通常从数据行开始算。

    如果你要输出精确的 Excel 行号,需要根据表头行位置进行换算。比如数据从第2行开始,那么 Excel 行号一般可以理解为 DataFrame索引 + 2。但如果原表中间有空行、合并单元格或复杂表头,就要重新确认。

    7.4 不建议直接覆盖原文件

    虽然脚本支持覆盖保存,但更建议新手优先使用 sa ve_as 另存为新文件。这样即使字段写错、数据区域识别错误,也不会破坏原始文件。

    正式办公数据处理时,原始文件最好只读不改,输出结果另存。这是一条很朴素但很重要的习惯。

    7.5 空表和缺列要允许跳过

    真实工作簿里经常会有说明页、封面页、空白页或者结构不同的辅助表。如果脚本遇到这些表就直接报错,中断整个流程,使用体验会很差。

    所以代码里对空表、缺列、无法转换数值等情况都做了跳过处理。这样能保证脚本尽量完成主要任务,同时在控制台输出跳过原因,方便后续检查。

    8. 总结提升:极值统计的核心是“结论 + 来源 + 验证”

    这一节表面是在学习最大值和最小值统计,但真正有价值的是建立一种办公自动化处理思路:先把重复动作抽象成流程,再用脚本固定下来,最后输出可以验证、可以追溯、可以复用的结果。

    本篇最重要的收获可以总结成三句话。

    第一,最大值和最小值不是难点,批量处理和结果追溯才是难点。

    第二,统计结果不能只给数字,最好同时记录工作表名、行索引和关键字段。

    第三,脚本运行成功不等于任务完成,必须打开结果文件做验证。

    后续如果继续扩展,可以把这套脚本改造成更通用的模板。例如支持多个字段同时统计、支持 Top N 排名、支持按区域筛选后统计、支持批量处理多个工作簿。这样它就不只是一个案例代码,而是可以长期复用的 Excel 自动化工具。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发 Python
    相关文章 更多
    python删除一个列表里的重复元素的方法与代码示例
    python删除一个列表里的重复元素的方法与代码示例

    学习如何使用Python高效删除列表中的重复元素。本文提供5种常见方法的代码示例,涵盖保持顺序与不保持顺序的场景,适合初学者和进阶开发者参考。

    Python写接口的步骤及完整代码示例
    Python写接口的步骤及完整代码示例

    详细讲解使用Python编写Web接口的核心步骤与完整代码示例,涵盖环境准备、路由定义、数据校验、服务启动及调试测试方法。

    codex怎么读取word文档及docx文件操作教程
    codex怎么读取word文档及docx文件操作教程

    介绍如何利用编程工具读取和解析Word文档(docx格式),涵盖基础文本提取代码示例、结构化数据处理逻辑,以及处理复杂排版时的技术局限与替代方案。

    怎么在Python中调用C语言代码提升性能
    怎么在Python中调用C语言代码提升性能

    详细讲解在Python中调用C语言代码提升性能的完整实践指南,包含原理分析、编译步骤、ctypes与CFFI具体实现、性能对比及常见陷阱。

    Python与C语言的性能差异及底层原理
    Python与C语言的性能差异及底层原理

    深入解析Python与C语言在执行效率上的数量级差异,从编译机制、变量内存布局、动态类型推断到GIL锁,系统阐明底层核心原理。

    Python和C语言哪个更适合编程入门
    Python和C语言哪个更适合编程入门

    客观对比Python与C语言在心智负担、底层机制与学习反馈上的核心差异,提供清晰有据的选择标准与切实的入门学习路径。

    selenium上传文件教程本地文件路径设置方法
    selenium上传文件教程本地文件路径设置方法

    深入解析Selenium处理文件上传的技术细节,涵盖标准HTML控件的路径直接注入法与非标准控件的系统级模拟方案,提供Windows与Linux环境下的路径设置最佳实践及常见异常排查。

    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景
    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景

    针对大数据工程场景,系统对比Java、Scala与Python在执行性能、生态结合、开发效率和维护成本上的核心差异,给出清晰的架构选型依据与落地方案。

    langgraph python guide中文入门教程详解
    langgraph python guide中文入门教程详解

    本篇LangGraph Python中文入门教程详解,系统梳理StateGraph状态机定义、节点编写、边与条件路由、检查点持久化(MemorySaver)等核心机制,提供从环境安装到完整循环智能体构建的代码示例与实操指导。

    Windows 安装 Python:从官方入口到虚拟环境的可复现实践
    Windows 安装 Python:从官方入口到虚拟环境的可复现实践

    面向后端开发者,基于 Python 官方文档说明如何在 Windows 上安装 Python、创建 venv 虚拟环境及使用 pip 管理依赖。包含可复制命令、验证方法及工具选择边界,避免常见配置误区。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。