Python 操作 Excel 高阶技巧：用 openpyxl 玩转循环与 Decimal 精度控制
目录
专栏导读
❤️ 欢迎各位佬关注！ ❤️
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🙏
📕 此外还有python基础专栏：请点击——>Python基础学习专栏 求订阅
🕷 此外还有爬虫专栏：请点击——>Python爬虫基础专栏 求订阅
👍 该系列文章专栏：请点击——>Python办公自动化专栏 求订阅
🏳️🌈 ZEEKLOG博客主页：请点击——> ZEEKLOG的博客主页 求关注
🏳️🌈 知乎主页：请点击——> 知乎主页 求关注
🏳️🌈 Github主页：请点击——> Github主页 求Star⭐
🏳️🌈 个人博客主页：请点击——> 个人的博客主页 求收藏
🌸 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
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(0.1+0.2)# 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。
from decimal import Decimal, getcontext # 设置精度（可选，视业务需求而定） getcontext().prec =4# 模拟业务数据 value_a = Decimal('0.1') value_b = Decimal('0.2') result = value_a + value_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 float ws.cell(row=1, column=1, value=float(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for row inrange(1,10000):for col inrange(1,10):# 每次调用 ws.cell 都有一定开销 ws.cell(row=row, column=col, value=row * 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import time from decimal import Decimal data_source =[[Decimal('100.50'), Decimal('200.30')],[Decimal('101.00'), Decimal('202.00')],# ... 假设这里有成千上万行]for row_data in data_source:# 将 Decimal 转换为 float 或直接写入 ws.append([float(x)for x in row_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():for i inrange(1,100000):yield[Decimal(i)* Decimal('1.05'), Decimal(i)* Decimal('0.95')]# 流式写入for row_idx, row_data inenumerate(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(row=row_idx, column=1, value=float(row_data[0])) ws.cell(row=row_idx, column=2, value=float(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for row inrange(1, ws.max_row +1): val = ws.cell(row=row, column=1).value ws.cell(row=row, column=2, value=val *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。
from openpyxl import load_workbook, Workbook # 1. 以只读模式加载源文件（极低内存占用） wb_read = load_workbook('big_data.xlsx', read_only=True) ws_read = wb_read.active # 2. 创建新工作簿（或以 write_only 模式保存） wb_write = Workbook(write_only=True) ws_write = wb_write.create_sheet()# 3. 循环处理# read_only 模式下，只能使用 ws.iter_rows() 遍历for row in ws_read.iter_rows(values_only=True):# row 是一个元组，包含该行的所有值# 这里进行 Decimal 计算if row[0]isnotNone: val_a = Decimal(str(row[0]))# 转换为 Decimal val_b = val_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。
import csv from decimal import Decimal, ROUND_HALF_UP from openpyxl import Workbook from openpyxl.styles import Font, 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, rows=50000):withopen(filename,'w', newline='')as f: writer = csv.writer(f) writer.writerow(['ID','Amount','TaxRate'])for i inrange(1, rows +1): writer.writerow([i,f"{(i %100)+100}.50","0.08"])defprocess_financial_report(input_csv, output_xlsx):# 1. 初始化工作簿 wb = Workbook(write_only=True) ws = wb.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'), rounding=ROUND_HALF_UP)# 4. 读取 CSV 并计算 (流式处理)withopen(input_csv,'r')as f: reader = csv.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for row in reader:ifnot row:continue raw_id =int(row[0]) raw_amount = Decimal(row[1]) tax_rate = Decimal(row[2])# 计算逻辑 (Decimal 精度) tax_amount =(raw_amount * tax_rate).quantize(Decimal('0.00'), rounding=ROUND_HALF_UP) total_amount = raw_amount + tax_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 tqdm）if raw_id %10000==0: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_csv ='mock_transactions.csv' output_xlsx ='financial_report.xlsx'# 生成测试数据print("正在生成模拟数据...") generate_mock_csv(input_csv, rows=50000)# 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_only=True读取，write_only=True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！
