一、读取Excel文件

1.1 read_excel() 常用参数

import pandas as pd

# 基本读取
df = pd.read_excel(r"C:\python\超市营业额.xlsx")

# 常用参数组合
df = pd.read_excel(
    r"C:\python\超市营业额.xlsx",        # 文件路径
    usecols=['工号','姓名','时段','交易额'], # 只读取指定列
    skiprows=[1,3,5],                     # 跳过第1、3、5行
    index_col=1                           # 指定某列作为行索引
)

大白话理解参数：

二、查看数据

# 输出前10行
print(df[:10])

# 查看前5行
print(df.head())

# 查看后5行
print(df.tail())

三、数据筛选（核心！）

3.1 行切片（取指定范围的行）

# 取第5到第10行（左闭右开）
print(df[5:11])

3.2 iloc：用数字位置做索引

# 取索引为5的那一行
print(df.iloc[5])

# 取第3、5、10行
print(df.iloc[[3, 5, 10]])

# 取第3、5、10行，只取第0、1、4列
print(df.iloc[[3, 5, 10], [0, 1, 4]])

大白话：iloc 像Excel的行号列号，用数字定位。df.iloc[行号, 列号]。

3.3 loc：用标签文本做索引

# 取索引标签为3、5、10的行，只取"姓名"和"交易额"列
print(df.loc[[3, 5, 10], ['姓名', '交易额']])

大白话：loc 用自定义的标签名定位，更直观。

3.4 at：快速取单个值

# 取行下标为3、列名为"姓名"的那个值
print(df.at[3, '姓名'])

iloc、loc、at 对比：

3.5 条件筛选（重点！）

# 筛选交易额大于1700的数据
print(df[df['交易额'] > 1700])

# 筛选下午班的数据
print(df[df['时段'] == '14:00-21:00'])

# 多条件组合：张三 且 下午班
print(df[(df['姓名'] == '张三') & (df['时段'] == '14:00-21:00')])

# 筛选指定多个值：张三和李四
print(df[df['姓名'].isin(['张三', '李四'])])

# 筛选交易额在800-850之间的数据
print(df[df['交易额'].between(800, 850)])

关键记忆点：

• 组合条件用 &（且）和 |（或），不能用 and 和 or
• 每个条件必须用括号括起来
• isin() 判断是否在指定列表中
• between() 判断是否在数值区间内

四、统计计算

# 交易总额
print(df['交易额'].sum())

# 下午班的交易总额
print(df[df['时段'] == '14:00-21:00']['交易额'].sum())

# 日用品柜台销售总额
print(df[df['柜台'] == '日用品']['交易额'].sum())

# 张三和李四二人销售总额
print(df[df['姓名'].isin(['张三', '李四'])]['交易额'].sum())

大白话：先用条件筛选出想要的数据行，再取['交易额']这一列，最后用.sum()求和。思路就是：筛选 → 取列 → 计算。

今日核心总结

1. 读取Excel：pd.read_excel()，常用参数 usecols（选列）、skiprows（跳行）、index_col（索引列）。

2. 三种索引方式：

   • iloc：用数字位置（像Excel的A1、B2）
   • loc：用标签名称（像Excel的列名）
   • at：快速取单个值

3. 条件筛选套路：

   • 单条件：df[df['列名'] > 值]
   • 多条件：df[(条件1) & (条件2)]
   • 指定多个值：df[df['列名'].isin([值1, 值2])]
   • 数值区间：df[df['列名'].between(最小值, 最大值)]

4. 统计计算套路：筛选 → 取列 → 计算，如 df[条件]['列名'].sum()

注:已经使用DeepSeek进行整理精简核心内容，些许不理解的配合个人笔记进行理解。
这两天工作太忙了，休息休息，明天继续，今天只学了一节，进度还是有点慢。