企业官网建设流程全解析

做移动网站优化快速,百度百度一下你就知道主页,广东住房建设部官方网站,网站 固定ip目录 Python 操作 Excel 高阶技巧#xff1a;用 openpyxl 玩转循环与 Decimal 精度控制一、 为什么你的 Excel 数据处理总是“差一点”#xff1f;二、 精度之痛#xff1a;用 Decimal 拯救你的财务数据1. 浮点数的“陷阱”2. Decimal 模块的引入 三、 效率革命#xff1a;…目录Python 操作 Excel 高阶技巧用 openpyxl 玩转循环与 Decimal 精度控制一、 为什么你的 Excel 数据处理总是“差一点”二、 精度之痛用 Decimal 拯救你的财务数据1. 浮点数的“陷阱”2. Decimal 模块的引入三、 效率革命Openpyxl 的高效循环策略1. 最慢的写法逐行写入并保存2. 进阶写法使用 append() 批量写入3. 高阶写法内存优化与公式填充4. 终极加速只读模式与公式缓存四、 综合实战构建一个高精度报表生成器五、 总结与避坑指南专栏导读 欢迎来到Python办公自动化专栏—Python处理办公问题解放您的双手️‍ 个人博客主页请点击—— 个人的博客主页 求收藏️‍ Github主页请点击—— Github主页 求Star⭐️‍ 知乎主页请点击—— 知乎主页 求关注️‍ CSDN博客主页请点击—— CSDN的博客主页 求关注 该系列文章专栏请点击——Python办公自动化专栏 求订阅 此外还有爬虫专栏请点击——Python爬虫基础专栏 求订阅 此外还有python基础专栏请点击——Python基础学习专栏 求订阅文章作者技术和水平有限如果文中出现错误希望大家能指正❤️ 欢迎各位佬关注 ❤️Python 操作 Excel 高阶技巧用 openpyxl 玩转循环与 Decimal 精度控制一、 为什么你的 Excel 数据处理总是“差一点”在 Python 自动化办公的场景中openpyxl库无疑是操作 Excel 文件的首选利器。它不仅能读写数据还能控制样式、图表和公式。然而很多初学者在处理大规模数据或涉及金额计算的报表时往往会遇到两个棘手的问题性能瓶颈当需要遍历几万行数据进行格式化或计算时简单的for循环写法可能导致程序运行极其缓慢甚至内存溢出。精度丢失在处理财务数据时浮点数运算的“舍入误差”是绝对不能容忍的例如0.1 0.2 ! 0.3。直接将浮点数写入 Excel 往往会引发业务逻辑错误。本篇文章将深入探讨如何结合 Python 的decimal模块与openpyxl的高效循环技巧打造一个既精准又高效的数据处理脚本。二、 精度之痛用 Decimal 拯救你的财务数据在处理金额、税率或任何对精度要求极高的数据时使用 Python 原生的float类型是一场灾难。1. 浮点数的“陷阱”Python 的float遵循 IEEE 754 标准这导致了二进制无法精确表示某些十进制小数。# 经典的浮点数问题print(0.10.2)# 输出: 0.30000000000000004当你把这个结果写入 Excel 时虽然 Excel 自身也有精度限制但在数据传输阶段就已经埋下了隐患。2. Decimal 模块的引入Python 的decimal模块提供了一种十进制浮点运算它能够完全模拟人工计算的逻辑。实战技巧在写入 Excel 前进行转换在使用openpyxl写入单元格时我们需要确保数据类型是精确的。fromdecimalimportDecimal,getcontext# 设置精度可选视业务需求而定getcontext().prec4# 模拟业务数据value_aDecimal(0.1)value_bDecimal(0.2)resultvalue_avalue_b# 结果精确为 Decimal(0.3)# 在写入 openpyxl 时可以直接写入 Decimal 对象# openpyxl 会自动将其转换为浮点数但为了保险建议转为 floatws.cell(row1,column1,valuefloat(result))核心建议计算阶段全程使用Decimal对象进行加减乘除。写入阶段将Decimal结果转换为float再赋值给ws.cell()或者直接赋值openpyxl 会处理但务必在计算过程中避免混合使用float和Decimal。三、 效率革命Openpyxl 的高效循环策略当你需要处理包含成千上万行数据的 Excel 文件时低效的循环写法会让你的 CPU 占用率飙升。1. 最慢的写法逐行写入并保存这是一个典型的错误示范# ❌ 性能杀手在循环中反复保存或频繁操作单元格对象forrowinrange(1,10000):forcolinrange(1,10):# 每次调用 ws.cell 都有一定开销ws.cell(rowrow,columncol,valuerow*col)wb.save(slow_file.xlsx)这种做法不仅慢而且如果文件很大很容易导致内存问题。2. 进阶写法使用append()批量写入如果你是按行顺序写入数据append()方法比逐个cell()赋值要快得多。# ✅ 推荐按行追加数据importtimefromdecimalimportDecimal data_source[[Decimal(100.50),Decimal(200.30)],[Decimal(101.00),Decimal(202.00)],# ... 假设这里有成千上万行]forrow_dataindata_source:# 将 Decimal 转换为 float 或直接写入ws.append([float(x)forxinrow_data])3. 高阶写法内存优化与公式填充在处理超大数据量时如果必须逐个单元格赋值例如需要根据上一行计算下一行可以使用以下技巧关闭自动计算Excel 打开时会自动重算公式如果数据量大建议先写入数据最后再写入公式或者在 Python 中计算好结果直接写入值。利用生成器Generator不要一次性把所有数据加载到列表中使用生成器流式处理数据减少内存占用。# 假设 data_generator 是一个生成器源源不断地产生数据defdata_generator():foriinrange(1,100000):yield[Decimal(i)*Decimal(1.05),Decimal(i)*Decimal(0.95)]# 流式写入forrow_idx,row_datainenumerate(data_generator(),1):# 这里的逻辑比较复杂因为 openpyxl 的 append 是最快的# 如果必须使用 cell 赋值请注意减少属性访问次数ws.cell(rowrow_idx,column1,valuefloat(row_data[0]))ws.cell(rowrow_idx,column2,valuefloat(row_data[1]))4. 终极加速只读模式与公式缓存如果你需要读取 A 列计算后写入 B 列不要在循环中反复读取单元格。# ❌ 慢forrowinrange(1,ws.max_row1):valws.cell(rowrow,column1).value ws.cell(rowrow,column2,valueval*2)# ✅ 快 (先批量读取到内存再批量计算最后写入)# 但对于超大文件这会撑爆内存所以折中方案是# 1. 将 ws.max_row 分段处理# 2. 或者使用 openpyxl 的 read_only 模式读取计算然后用 write_only 模式写入新文件。最佳实践read_only与write_only模式这是处理超大 Excel 文件如 50MB的必杀技。fromopenpyxlimportload_workbook,Workbook# 1. 以只读模式加载源文件极低内存占用wb_readload_workbook(big_data.xlsx,read_onlyTrue)ws_readwb_read.active# 2. 创建新工作簿或以 write_only 模式保存wb_writeWorkbook(write_onlyTrue)ws_writewb_write.create_sheet()# 3. 循环处理# read_only 模式下只能使用 ws.iter_rows() 遍历forrowinws_read.iter_rows(values_onlyTrue):# row 是一个元组包含该行的所有值# 这里进行 Decimal 计算ifrow[0]isnotNone:val_aDecimal(str(row[0]))# 转换为 Decimalval_bval_a*Decimal(1.1)# write_only 模式下只能使用 append 写入ws_write.append([float(val_b)])# 4. 保存wb_write.save(processed_big_data.xlsx)这种模式下内存占用极低因为数据是流式读取和写入的不会一次性加载到内存中。四、 综合实战构建一个高精度报表生成器让我们把上述知识点结合起来编写一个完整的脚本。场景处理一份包含大量交易记录的 CSV模拟计算税费并写入 Excel要求金额精确且处理速度快。importcsvfromdecimalimportDecimal,ROUND_HALF_UPfromopenpyxlimportWorkbookfromopenpyxl.stylesimportFont,Alignment# 模拟生成一个大 CSV 文件实际中可能是读取外部文件defgenerate_mock_csv(filename,rows50000):withopen(filename,w,newline)asf:writercsv.writer(f)writer.writerow([ID,Amount,TaxRate])foriinrange(1,rows1):writer.writerow([i,f{(i%100)100}.50,0.08])defprocess_financial_report(input_csv,output_xlsx):# 1. 初始化工作簿wbWorkbook(write_onlyTrue)wswb.create_sheet()# 2. 写入表头headers[ID,原始金额,税率,税额,总金额]ws.append(headers)# 3. 设置 Decimal 上下文# ROUND_HALF_UP: 四舍五入0.5 向上进位Decimal(0.01).quantize(Decimal(0.00),roundingROUND_HALF_UP)# 4. 读取 CSV 并计算 (流式处理)withopen(input_csv,r)asf:readercsv.reader(f)next(reader)# 跳过表头batch_data[]# 缓冲区批量写入可略微提升性能但 write_only 模式下 append 已经很快forrowinreader:ifnotrow:continueraw_idint(row[0])raw_amountDecimal(row[1])tax_rateDecimal(row[2])# 计算逻辑 (Decimal 精度)tax_amount(raw_amount*tax_rate).quantize(Decimal(0.00),roundingROUND_HALF_UP)total_amountraw_amounttax_amount# 准备写入数据 (转换为 float 或保留 Decimal)# openpyxl 支持写入 Decimal但为了显式控制我们转为 float# 注意如果 Excel 仅用于展示float 足够若需二次计算建议转为字符串或保留 Decimal# 这里我们转为 float 展示row_data[raw_id,float(raw_amount),float(tax_rate),float(tax_amount),float(total_amount)]ws.append(row_data)# 简单的进度提示实际生产中可使用 tqdmifraw_id%100000:print(f已处理{raw_id}行数据...)# 5. 保存文件print(f正在保存文件:{output_xlsx})wb.save(output_xlsx)print(完成)# 执行演示if__name____main__:input_csvmock_transactions.csvoutput_xlsxfinancial_report.xlsx# 生成测试数据print(正在生成模拟数据...)generate_mock_csv(input_csv,rows50000)# 处理数据process_financial_report(input_csv,output_xlsx)代码解析Decimal的使用在读取字符串转为Decimal时使用Decimal(row[1])而非float(row[1])彻底杜绝精度误差。quantize方法这是控制小数位数和舍入方式的关键。例如.quantize(Decimal(0.00))强制保留两位小数。write_only模式在创建Workbook时开启配合ws.append()即使处理 50,000 行数据也能秒级完成且内存占用极低。流式读取 CSV使用csv模块逐行读取不一次性加载大文件到内存。五、 总结与避坑指南在 Python 中使用openpyxl结合Decimal进行数据处理是企业级开发的标准实践。总结一下核心要点数据精度优先凡是涉及金额、统计、科学计算务必使用Decimal类型仅在最终展示或写入 Excel 的瞬间转换为float。选择正确的读写模式小文件10MB常规模式随意操作。大文件10MB 或 10万行必须使用read_onlyTrue读取write_onlyTrue写入。避免混合运算不要让Decimal和float在同一个公式里混用这会触发隐式转换导致精度丢失。通过以上技巧你可以轻松应对绝大多数 Excel 数据处理任务写出既健壮又高效的代码。互动环节你在使用 Python 处理 Excel 数据时还遇到过哪些奇葩的“坑”是日期格式转换乱码还是合并单元格后数据读取错位欢迎在评论区分享你的经历我们一起探讨解决方案结尾希望对初学者有帮助致力于办公自动化的小小程序员一枚希望能得到大家的【❤️一个免费关注❤️】感谢求个 关注 ❤️ 喜欢 ❤️ 收藏 此外还有办公自动化专栏欢迎大家订阅Python办公自动化专栏此外还有爬虫专栏欢迎大家订阅Python爬虫基础专栏此外还有Python基础专栏欢迎大家订阅Python基础学习专栏