首页 > 分享 > 【Pythonista特供】：Openpyxl中创建复杂图表，数据视觉化新高度

【Pythonista特供】：Openpyxl中创建复杂图表，数据视觉化新高度

花匠小妙招
2025-12-11 15:32

摘要关键字 1. Python数据可视化基础与Openpyxl简介 1.1 Python数据可视化简介 1.2 Openpyxl库概述 2. Openpyxl中图表的数据准备 2.1 数据结构与组织 2.1.1 工作表数据的基本操作 2.1.2 多维数据的构建与处理 2.2 数据的导入与清洗 2.2.1 从外部数据源导入数据 2.2.2 数据清洗的技巧和方法 2.3 数据的预处理 2.3.1 数据集的筛选与转换 2.3.2 数据分类和分组策略

解锁专栏，查看完整目录

摘要

Python作为一种高效的数据分析和可视化语言，在处理和表示数据方面具有独特的优势。本文首先介绍了Python在数据可视化中的基础知识和Openpyxl库的作用与特点。随后，详细探讨了在Openpyxl中如何进行数据的准备、导入、清洗和预处理，为创建复杂的图表打下坚实基础。接着，本文深入讲解了如何在Openpyxl中创建和定制不同类型的图表，包括选择合适的图表类型、基础图表的构建和元素的添加与调整，以及图表样式的定制技巧。此外，文章还介绍了Openpyxl数据可视化中的高级应用，包括动态图表的创建、性能优化、兼容性处理以及高级数据可视化技巧。最后，通过一个案例研究，展示了如何运用Openpyxl实现复杂数据的可视化分析，包括数据预处理、图表设计、实施与优化等实践步骤，提供了实际应用中可能遇到的问题和解决方案。

关键字

Python；数据可视化；Openpyxl；图表定制；数据预处理；案例研究

参考资源链接：Openpyxl 2.4.2官方文档：Excel文件处理Python库

1. Python数据可视化基础与Openpyxl简介

Python作为一门广泛应用的编程语言，在数据可视化领域也大放异彩。借助诸如Openpyxl这样的库，我们可以轻松地创建和定制Excel图表，以直观地展示数据。

1.1 Python数据可视化简介

数据可视化是数据分析中的关键环节，它帮助人们快速理解大量信息。Python提供了多种工具，如Matplotlib、Seaborn和Plotly等，用于创建静态或交互式图表。然而，当我们需要将可视化结果整合到Excel文档中时，Openpyxl库显得尤为实用。

1.2 Openpyxl库概述

Openpyxl是一个用于读写Excel 2010 xlsx/xlsm/xltx/xltm文件的Python库。它支持操作工作表、单元格、样式等，并且能够创建和修改图表。这对于数据分析人员来说极为方便，因为可以将数据处理和可视化操作完全在Python环境中完成。

在开始使用Openpyxl进行数据可视化之前，我们应该熟悉其基本的数据结构和操作方法。接下来的章节将详细探讨如何使用Openpyxl准备数据并创建各种图表。

2.1 数据结构与组织

2.1.1 工作表数据的基本操作

在使用Openpyxl进行数据可视化之前，需要对数据进行合理的组织和操作。工作表（Worksheet）是Excel文件中的基本单元，每个工作表可以包含多行（Row）和列（Column），用来存储数据集。

首先，创建一个新的Excel文件，并获取一个工作表对象进行操作：

from openpyxl import Workbook# 创建一个新的工作簿wb = Workbook()# 获取默认的工作表对象ws = wb.active# 在第二行第一列插入数据ws['A2'] = 'ID'# 在第二行第二列插入数据ws['B2'] = 'Name'# 在第二行第三列插入数据ws['C2'] = 'Score'# 设置工作表的标题ws.title = 'Data'

接下来，我们需要填充数据到工作表中。这里，我们将添加几条虚拟的用户数据：

# 填充一些数据for i in range(3, 13): ws[f'A{i}'] = i-2 ws[f'B{i}'] = f'User{i-2}' ws[f'C{i}'] = 100 - (i-3)*5# 自动调整列宽for column_cells in ws.columns: length = max(len(str(cell.value)) for cell in column_cells) ws.column_dimensions[get_column_letter(column_cells[0].column)].width = length# 保存工作簿wb.save('data准备.xlsx')

2.1.2 多维数据的构建与处理

在数据准备过程中，我们可能会遇到多维数据结构的需求。例如，我们要处理一个销售数据集，其中包含日期、产品类别、地区以及销售额等字段。

为了构建这样的多维数据结构，我们需要为每个维度创建列，并确保数据填充时的一致性：

# 创建一个包含日期、产品类别、地区和销售额的多维数据集wb = Workbook()ws = wb.active# 设置表头ws.append(['日期', '产品', '地区', '销售额'])# 假设我们有以下销售记录sales_data = [ ('2023-01-01', '产品A', '北区', 15000), ('2023-01-01', '产品B', '南区', 20000), ('2023-01-02', '产品A', '西区', 18000), ('2023-01-02', '产品B', '东区', 12000), # 更多数据...]for data in sales_data: ws.append(data)# 自动调整列宽for column_cells in ws.columns: length = max(len(str(cell.value)) for cell in column_cells) ws.column_dimensions[get_column_letter(column_cells[0].column)].width = length# 保存工作簿wb.save('多维数据集.xlsx')

利用Openpyxl，我们可以灵活地处理和构建适用于复杂数据可视化的多维数据结构。

2.2 数据的导入与清洗

2.2.1 从外部数据源导入数据

为了将外部数据源（如CSV文件、数据库或API）导入到Openpyxl工作表中，我们可以使用Openpyxl的内置功能或结合Python的其他库（如pandas）来实现。

假设我们有一个CSV文件data.csv，我们希望将其内容加载到Excel工作表中。首先，使用pandas读取数据，然后导入到工作表：

import pandas as pdfrom openpyxl import load_workbook# 使用pandas读取CSV文件df = pd.read_csv('data.csv')# 加载一个现有工作簿wb = load_workbook('data准备.xlsx')ws = wb.active# 将DataFrame数据追加到工作簿的最后一行for r in df.itertuples(): ws.append([r.Index, r.Name, r.Score])# 保存工作簿wb.save('data准备.xlsx')

2.2.2 数据清洗的技巧和方法

数据清洗是数据准备阶段的重要一环。在Openpyxl中，我们可以通过编写脚本来识别和处理异常值、缺失值等。

以下是一个简单的例子，演示如何利用Openpyxl进行数据清洗：

# 检查并处理工作表中的缺失值for row in ws.iter_rows(min_row=3, max_row=12, values_only=True): if None in row: print("发现缺失值，行号：", row[0]) # 这里可以根据业务逻辑处理缺失值，例如填充默认值或删除整行

我们还可以添加逻辑判断，以识别并处理异常值或格式错误的数据：

# 假设我们期望的分数是0到100之间的整数for row in ws.iter_rows(min_row=3, max_row=12, values_only=True): score = row[2] if score < 0 or score > 100: print("发现异常值：", score) # 这里可以将异常值设置为None或进行其他处理

数据清洗的实践可以极大地提高数据质量，并确保图表能够准确反映分析目标。

2.3 数据的预处理

2.3.1 数据集的筛选与转换

在进行数据可视化之前，我们通常需要对数据进行筛选和转换操作。筛选数据可以帮助我们定位特定的记录，而转换则可能涉及数据的重新格式化或计算。

以下是如何使用Openpyxl筛选特定列中满足条件的记录，并进行转换：

from openpyxl.utils import get_column_letter# 筛选分数大于等于80的记录high_scores = [row for row in ws.iter_rows(min_row=3, max_row=12, values_only=True) if row[2] >= 80]# 对筛选后的数据添加到新的工作表high_score_sheet = wb.create_sheet(title='High Scores')for idx, row in enumerate(high_scores): high_score_sheet.append([idx+1] + row)# 保存工作簿wb.save('筛选转换后的数据.xlsx')

2.3.2 数据分类和分组策略

分类和分组策略是数据预处理的高级技术。在某些情况下，我们可能希望将数据按照特定的条件进行分组，以便在可视化中更好地表示。

例如，将用户按地区分组，并计算每个地区用户数量：

from collections import defaultdict# 创建一个字典用于分组计数group_by_region = defaultdict(int)# 迭代工作表中的行，除了表头for row in ws.iter_rows(min_row=3, max_row=12, values_only=True): region = row[3