xlsx表格怎么自动排序123(Python玩转Excel：实现函数自动填充、数据排序)

工作中，大家经常会使用excel去处理数据以及展示，但是对于部分工作我们可以借助程序帮忙实现，达到高效解决问题的效果比如将接口返回的json解析并保存结果到excel中，按一定规律处理excel中的数据然后写入到新的excel文件中，汇总来自多个文件的内容到一个excel中等等。

平时在工作中遇到比较繁琐的数据需要写入到excel中，除非excel的内置公式可以处理，否则我会第一时间想到使用python处理在处理海（大）量数据时，用Excel处理可能不会那么方便操作，特别是列很多，一屏显示不全的话，操作起来确实不便。

如果我们能够熟练掌握Python操作Excel，便可大大提高工作效率好用到爆的自动填充功能下面我们模仿Excel，用Pandas实现函数自动填充功能，计算列读取文件，计算总价import pandas 。

as pd#读取Excel文件books = pd.read_excel(book1.xlsx,index_col=ID)print(books)************************NAME1 单价数量总价

ID1 Book1 10.510NaN2 Book2 11.010NaN3 Book3 11.510NaN4 Book4 12.010NaN在Excel里面，我们可以写函数，自动填充，也比较方便但在Python里只需要一行代码即可，虽然这看起来似乎还是没有Excel速度快，操作方便，但当数据量很大的时候，且计算比较繁琐的时候，pandas数据操作优势就凸显出来了。

1. books[总价]=books[单价]*books[数量]也可以使用下面的语句实现，显然上面方法比较简单，但下面方法很适合于从某一段开始计算2.for i in books.index: books[。

总价].at[i]=books[单价].at[i]*books[数量].at[i]运行结果：NAME1 单价数量总价ID1 Book1 10.5 10 105.02 Book2 11.0 10 110

.03 Book3 11.5 10 115.04 Book4 12.0 10 120.0下面，我们给每本书涨2块钱第一种方法：books[单价]= books[单价]+2第二种方法：使用lambda表达式

books[单价]=books[单价].apply(lambda x:x+2)NAME1 单价数量总价ID1 Book1 12.5 10 105.02 Book2 13

.0 10 110.03 Book3 13.5 10 115.04 Book4 14.0 10 120.0只要你乐意，怎么排都行数据排序，函数sort_values用法：DataFrame.sort_values(

by=##,axis=0,ascending=True, inplace=False, na_position=last)参数说明：参数说明by 指定列名(axis=

0或index)或索引值(axis=1或columns)axis 若axis=0或index，则按照指定列中数据大小排序；若axis=1或columns，则按照指定索引中数据大小排序，默认axis=

0ascending 是否按指定列的数组升序排列，默认为True，即升序排列inplace 是否用排序后的数据集替换原来的数据，默认为False，即不替换na_position {first

,last}，设定缺失值的显示位置下面我们对价格降序排列import pandas as pdproducts = pd.read_excel(book2.xlsx,index_col=ID

)products.sort_values(by=价格,inplace=True,ascending=False)print(products)划重点：如果需要对满足两个条件的排序，by=[list]列表即可，是不是也很简单

products.sort_values(by=[是否值得购买,价格],inplace=True,ascending= [True,False]）运行结果：ID 商品价格是否值得购买10 product10

201no5 product5 65no7 product7 45no9 product9 199yes8 product8 156yes3 product3 123yes4 product4 111yes

1 product1 100yes2 product2 88yes6 product6 76yes绘图前准备工作，数据筛选和过滤（loc函数）apply函数是pandas里面所有函数中自由度最高的函数该函数如下：

DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)该函数最有用的是第一个参数，这个参数是函数，相当于C/C++的函数指针。

这个函数需要自己实现，函数的传入参数根据axis来定，比如axis = 1，就会把一行数据作为Series的数据结构传入给自己实现的函数中，我们在函数中实现对Series不同属性之间的计算，返回一个结果，则apply函数会自动遍历每一行DataFrame的数据，最后将所有结果组合成一个Series数据结构并返回。

目标：读取学生信息表，筛选出符合年龄段（18岁到20岁）和成绩段（85分到100分）的学生import pandas as pddefage18_20(age):#18<=age<=20 Python特有写法。

return18<=age<=20deflevel_s(score):return85<=score<=100stu = pd.read_excel(students.xlsx,index_col=ID

)stu=stu.loc[stu[年龄].apply(age18_20)].loc[stu[成绩].apply(level_s)]print(stu)运行结果：姓名年龄成绩ID5李2 18 88

8王3 19 86大家可以优化上面代码，使用 lambda表达式，尽量不使用函数，显得代码简洁、高效和高大上。高大上的数据可视化