Python 42个自动化办公案例，让你的效率原地起飞

用户11081884

发布于 2026-07-20 20:26:14

390

文章被收录于专栏：用户11081884的专栏用户11081884的专栏

你是不是经常有这样的困扰？

每天要花几小时处理Excel报表，眼睛都快看瞎了？
重复的文件整理工作，占用了大量宝贵时间？
邮件发送、数据汇总、报告生成…这些琐事没完没了？

今天分享的是Python自动化办公案例合集，每一个都是经过实战检验的“效率神器”，真正做到复制粘贴就能用！

案例1：Excel多表合并（财务人员必备）

场景：每月末需要合并12个部门的财务报表，手动复制粘贴需要半天时间，还容易出错。

解决方案：使用Python自动读取所有Excel文件，智能合并相同结构的数据。

代码示例：

import pandas as pd
import os

def merge_excel_files(folder_path, output_file):
    """
    合并文件夹中的所有Excel文件
    
    参数：
    folder_path: Excel文件所在文件夹路径
    output_file: 合并后的输出文件路径
    """
    all_data = []
    
    # 遍历文件夹中的所有Excel文件
    for file in os.listdir(folder_path):
        if file.endswith('.xlsx') or file.endswith('.xls'):
            file_path = os.path.join(folder_path, file)
            
            try:
                # 读取Excel文件
                df = pd.read_excel(file_path)
                
                # 添加文件名作为来源标识
                df['来源文件'] = file
                
                all_data.append(df)
                print(f"已读取: {file} - {len(df)} 行数据")
                
            except Exception as e:
                print(f"读取文件 {file} 时出错: {e}")
    
    if all_data:
        # 合并所有数据
        merged_df = pd.concat(all_data, ignore_index=True)
        
        # 保存到新文件
        merged_df.to_excel(output_file, index=False)
        print(f"\n合并完成！共 {len(merged_df)} 行数据")
        print(f"保存到: {output_file}")
    else:
        print("没有找到可合并的Excel文件")

# 使用示例
if __name__ == "__main__":
    # 设置你的文件夹路径和输出文件名
    input_folder = "./各部门报表"  # 修改为你的文件夹路径
    output_file = "./合并报表_总表.xlsx"
    
    merge_excel_files(input_folder, output_file)

使用效果：

原来需要：4小时手动操作
现在只需要：30秒自动完成
准确率：100%（避免人为错误）

案例2：智能邮件群发（市场人员福音）

场景：新产品上市需要向5000个客户发送个性化推广邮件。

解决方案：根据客户信息和购买历史，自动生成个性化邮件内容并批量发送。

代码示例：

import smtplib
from email.mime.text import MIMEText
from email.mime.multipart import MIMEMultipart
import pandas as pd
import time

def send_personalized_emails(client_file, template_file, sender_email, sender_password):
    """
    发送个性化营销邮件
    
    参数：
    client_file: 客户信息Excel文件
    template_file: 邮件模板文件
    sender_email: 发件人邮箱
    sender_password: 发件人邮箱密码/授权码
    """
    
    # 读取客户数据
    clients_df = pd.read_excel(client_file)
    
    # 读取邮件模板
    with open(template_file, 'r', encoding='utf-8') as f:
        template = f.read()
    
    # 设置SMTP服务器（以QQ邮箱为例）
    smtp_server = "smtp.qq.com"
    smtp_port = 587
    
    # 连接到邮件服务器
    server = smtplib.SMTP(smtp_server, smtp_port)
    server.starttls()
    server.login(sender_email, sender_password)
    
    success_count = 0
    fail_count = 0
    
    print("开始发送个性化邮件...")
    
    for index, client in clients_df.iterrows():
        try:
            # 创建邮件对象
            msg = MIMEMultipart()
            msg['From'] = sender_email
            msg['To'] = client['邮箱']
            msg['Subject'] = f"{client['姓名']}，我们有特别优惠给您！"
            
            # 个性化邮件内容
            personalized_content = template.format(
                姓名=client['姓名'],
                产品=client['上次购买产品'],
                折扣="8.8折",
                专属码=f"VIP{client['客户编号']}"
            )
            
            msg.attach(MIMEText(personalized_content, 'plain', 'utf-8'))
            
            # 发送邮件
            server.send_message(msg)
            
            success_count += 1
            print(f"已发送给: {client['姓名']} ({client['邮箱']})")
            
            # 避免发送频率过高（每发送10封暂停1秒）
            if success_count % 10 == 0:
                time.sleep(1)
                
        except Exception as e:
            fail_count += 1
            print(f"发送失败 {client['邮箱']}: {e}")
    
    # 关闭连接
    server.quit()
    
    print(f"\n发送完成！")
    print(f"成功: {success_count} 封")
    print(f"失败: {fail_count} 封")

# 使用示例
if __name__ == "__main__":
    # 配置你的信息
    client_data = "客户列表.xlsx"      # 包含姓名、邮箱、客户编号等
    email_template = "邮件模板.txt"    # 包含{姓名}、{产品}等占位符
    my_email = "your_email@qq.com"    # 你的邮箱
    my_password = "your_auth_code"    # 邮箱授权码（不是登录密码！）
    
    send_personalized_emails(client_data, email_template, my_email, my_password)

邮件模板示例（邮件模板.txt）：

尊敬的{姓名}：

感谢您一直以来对我们产品的支持！
我们发现您最近购买了{产品}，特意为您准备了专属优惠：

专属折扣：{折扣}
优惠码：{专属码}
有效期：30天

点击这里立即使用：https://example.com/vip

祝您购物愉快！

{公司名称} 客户关怀团队

案例3：文件智能整理（行政人员救星）

场景：下载文件夹混乱不堪，各种文件混杂在一起，找文件如同大海捞针。

解决方案：按文件类型、日期、项目等自动分类整理。

代码示例：

import os
import shutil
from datetime import datetime

def organize_files_by_type(download_folder):
    """
    按文件类型自动整理文件夹
    
    参数：
    download_folder: 需要整理的文件夹路径
    """
    
    # 定义文件类型分类
    file_categories = {
        '图片': ['.jpg', '.jpeg', '.png', '.gif', '.bmp', '.svg'],
        '文档': ['.pdf', '.doc', '.docx', '.txt', '.xlsx', '.xls', '.ppt', '.pptx'],
        '视频': ['.mp4', '.avi', '.mov', '.wmv', '.flv'],
        '音频': ['.mp3', '.wav', '.aac', '.flac'],
        '压缩包': ['.zip', '.rar', '.7z', '.tar', '.gz'],
        '程序': ['.exe', '.msi', '.apk', '.dmg'],
        '代码': ['.py', '.java', '.cpp', '.html', '.css', '.js']
    }
    
    # 创建分类文件夹
    for category in file_categories.keys():
        category_path = os.path.join(download_folder, category)
        if not os.path.exists(category_path):
            os.makedirs(category_path)
            print(f"创建文件夹: {category}")
    
    # 统计信息
    moved_count = 0
    unknown_count = 0
    
    # 遍历所有文件
    for filename in os.listdir(download_folder):
        file_path = os.path.join(download_folder, filename)
        
        # 跳过文件夹
        if os.path.isdir(file_path):
            continue
        
        # 获取文件扩展名
        _, extension = os.path.splitext(filename)
        extension = extension.lower()
        
        # 查找对应的分类
        moved = False
        for category, extensions in file_categories.items():
            if extension in extensions:
                dest_folder = os.path.join(download_folder, category)
                shutil.move(file_path, os.path.join(dest_folder, filename))
                moved_count += 1
                moved = True
                break
        
        # 未分类的文件放到"其他"文件夹
        if not moved:
            other_folder = os.path.join(download_folder, "其他")
            if not os.path.exists(other_folder):
                os.makedirs(other_folder)
            shutil.move(file_path, os.path.join(other_folder, filename))
            unknown_count += 1
    
    print(f"\n整理完成！")
    print(f"已整理文件: {moved_count} 个")
    print(f"未分类文件: {unknown_count} 个")
    
    # 显示整理后的文件夹结构
    print(f"\n整理后的结构:")
    for item in os.listdir(download_folder):
        if os.path.isdir(os.path.join(download_folder, item)):
            file_count = len(os.listdir(os.path.join(download_folder, item)))
            print(f"  ├── {item}/ ({file_count}个文件)")

# 使用示例
if __name__ == "__main__":
    # 设置你的下载文件夹路径
    downloads_path = "C:/Users/你的用户名/Downloads"  # Windows
    # downloads_path = "/Users/你的用户名/Downloads"   # Mac
    
    organize_files_by_type(downloads_path)

案例4：动态图表生成

场景：销售数据每日更新，需要图表随之自动刷新。

核心思路：使用 matplotlib 结合 pandas，将数据读取和图表的生成封装为函数，每次运行即可生成最新图表。

importpandasaspd
importmatplotlib.pyplotasplt
defplot_sales_trend(data_path):
    df = pd.read_excel(data_path)
    plt.figure(figsize=(10, 6))
    plt.plot(df['日期'], df['销售额'], marker='o', label='销售额')
    plt.title('每日销售趋势图')
    plt.xlabel('日期')
    plt.ylabel('销售额')
    plt.legend()
    plt.grid(True)
    plt.xticks(rotation=45)
    plt.tight_layout()
    # 自动保存，文件名可包含日期
    plt.savefig(f'销售趋势_{pd.Timestamp.now().strftime("%Y%m%d")}.png')
    plt.show()

案例5：数据透视表自动化

场景：快速从明细数据生成按“地区”和“产品”分类的销售额汇总表。

核心思路：利用 pandas 的 pivot_table 方法。

defcreate_pivot_table(data_path):
    df = pd.read_excel(data_path)
    pivot_df = pd.pivot_table(df,
                              values='销售额',
                              index='地区',
                              columns='产品',
                              aggfunc='sum',
                              fill_value=0,
                              margins=True) # margins 添加总计
    pivot_df.to_excel('销售数据透视表.xlsx')
    returnpivot_df

案例6：公式批量填充

场景：在Excel的“总价”列批量填入“单价*数量”的公式。

核心思路：使用 openpyxl 库，直接向单元格写入Excel公式字符串。

fromopenpyxlimportload_workbook
deffill_formulas(file_path):
    wb = load_workbook(file_path)
    ws = wb.active
    forrowinrange(2, ws.max_row+1):  # 假设第一行是标题
        # 在C列填入公式 =A2*B2
        formula_cell = f'C{row}'
        ws[formula_cell] = f'=A{row}*B{row}'
    wb.save('带公式的文件.xlsx')

案例7：多表关联查询（VLOOKUP自动化）

场景：将“订单表”中的“客户ID”关联到“客户表”中的“客户名称”。

核心思路：使用 pandas.merge 函数。

defmerge_tables(order_path, customer_path):
    order_df = pd.read_excel(order_path)
    customer_df = pd.read_excel(customer_path)
    # 类似于Excel的VLOOKUP
    merged_df = pd.merge(order_df,
                         customer_df[['客户ID', '客户名称']],
                         on='客户ID',
                         how='left')
    merged_df.to_excel('合并后的订单表.xlsx', index=False)

案例8：格式统一美化

场景：批量设置多个Excel文件的字体、对齐方式和列宽。

核心思路：使用 openpyxl 的样式功能。

fromopenpyxl.stylesimportFont, Alignment, Border, Side
defformat_excel(file_path):
    wb = load_workbook(file_path)
    ws = wb.active
    # 设置标题行样式
    title_font = Font(bold=True, size=12, color='FFFFFF')
    title_fill = PatternFill(start_color='366092', end_color='366092', fill_type='solid')
    forcellinws[1]:
        cell.font = title_font
        cell.fill = title_fill
        cell.alignment = Alignment(horizontal='center')
    # 自动调整列宽
    forcolumninws.columns:
        max_length = 0
        column_letter = column[0].column_letter
        forcellincolumn:
            try:
                iflen(str(cell.value)) >max_length:
                    max_length = len(str(cell.value))
            except:
                pass
        adjusted_width = (max_length+2)
        ws.column_dimensions[column_letter].width = adjusted_width
    wb.save('美化后.xlsx')

案例9：数据验证设置

场景：在“部门”列下拉菜单中限制只能输入“销售部”、“技术部”、“市场部”。

核心思路：使用 openpyxl 的 DataValidation 对象。

fromopenpyxl.worksheet.datavalidationimportDataValidation
defset_data_validation(file_path):
    wb = load_workbook(file_path)
    ws = wb.active
    dv = DataValidation(type="list",
                        formula1='"销售部,技术部,市场部"',
                        allow_blank=True)
    dv.add(f'B2:B{ws.max_row}')  # 假设部门在B列
    ws.add_data_validation(dv)
    wb.save('带验证的文件.xlsx')

案例10：保护与加密

场景：为财务报表设置打开密码，并保护工作表防止修改。

核心思路：使用 openpyxl 的保护功能和 msoffcrypto-tool 库进行加密（加密需特定库）。

# 设置工作表保护（禁止编辑）
wb = load_workbook('报表.xlsx')
ws = wb.active
ws.protection.sheet = True# 启用保护
ws.protection.password = 'your_password'# 设置密码（非必需，但可防止轻易取消保护）
wb.save('受保护的报表.xlsx')
# 注意：openpyxl本身不支持设置文件打开密码，需使用其他工具或系统命令。

案例11：打印设置优化

场景：自动设置打印区域、页眉页脚和横向打印。

核心思路：配置 openpyxl 工作表的打印相关属性。

defset_print_settings(file_path):
    wb = load_workbook(file_path)
    ws = wb.active
    ws.print_area = 'A1:G50'  # 设置打印区域
    ws.page_setup.orientation = ws.ORIENTATION_LANDSCAPE  # 横向
    ws.page_setup.paperSize = ws.PAPERSIZE_A4
    # 设置页眉页脚
    ws.oddHeader.center.text = "&[File]"
    ws.oddFooter.right.text = "第&P页/共&N页"
    wb.save('打印优化.xlsx')

案例12：版本对比工具

场景：快速找出新旧两个版本客户名单的差异（新增、删除、修改）。

核心思路：使用 pandas 比对两个 DataFrame。

defcompare_excel_files(old_path, new_path, key_column='客户ID'):
    old_df = pd.read_excel(old_path)
    new_df = pd.read_excel(new_path)
    # 找出新增的行（在新表但不在旧表）
    added = new_df[~new_df[key_column].isin(old_df[key_column])]
    # 找出删除的行（在旧表但不在新表）
    deleted = old_df[~old_df[key_column].isin(new_df[key_column])]
    # 找出可能修改的行（Key都存在，但其他列有变化）
    merged = pd.merge(old_df, new_df, on=key_column, suffixes=('_old', '_new'))
    # 假设比较‘客户名称’列
    modified = merged[merged['客户名称_old'] != merged['客户名称_new']]
    returnadded, deleted, modified

案例13：智能文件归类（按日期）

场景：将下载文件夹中的文件按“年-月”自动归档。

核心思路：使用 os 和 shutil，结合文件的修改时间。

importos, shutil
fromdatetimeimportdatetime
deforganize_by_date(folder_path):
    forfilenameinos.listdir(folder_path):
        filepath = os.path.join(folder_path, filename)
        ifos.path.isfile(filepath):
            mod_time = os.path.getmtime(filepath)
            date_folder = datetime.fromtimestamp(mod_time).strftime('%Y-%m')
            target_dir = os.path.join(folder_path, date_folder)
            os.makedirs(target_dir, exist_ok=True)
            shutil.move(filepath, os.path.join(target_dir, filename))

案例14：批量重命名

场景：将一批图片 IMG_001.jpg, IMG_002.jpg… 重命名为 产品图_001.jpg, 产品图_002.jpg…

核心思路：遍历文件，使用字符串格式化生成新文件名。

defbatch_rename(folder_path, prefix):
    counter = 1
    forfilenameinsorted(os.listdir(folder_path)):
        iffilename.lower().endswith(('.jpg', '.png')):
            old_path = os.path.join(folder_path, filename)
            ext = os.path.splitext(filename)
            new_name = f"{prefix}_{counter:03d}{ext}"
            new_path = os.path.join(folder_path, new_name)
            os.rename(old_path, new_path)
            counter += 1

案例15：重复文件清理（基于MD5）

场景：找出并删除文件夹内内容完全相同的重复文件。

核心思路：计算每个文件的MD5哈希值进行比较。

importhashlib
deffind_duplicates(folder_path):
    hash_dict = {}
    duplicates = []
    forroot, dirs, filesinos.walk(folder_path):
        forfilenameinfiles:
            filepath = os.path.join(root, filename)
            withopen(filepath, 'rb') asf:
                file_hash = hashlib.md5(f.read()).hexdigest()
            iffile_hashinhash_dict:
                duplicates.append(filepath)
            else:
                hash_dict[file_hash] = filepath
    returnduplicates
# 随后可以询问用户或自动删除 duplicates 列表中的文件

案例16：文件内容搜索

场景：在多个 .txt 或 .log 文件中搜索包含“ERROR”关键字的行。

核心思路：逐行读取文件并进行匹配。

defsearch_in_files(folder_path, keyword):
    results = {}
    forroot, dirs, filesinos.walk(folder_path):
        forfilenameinfiles:
            iffilename.endswith('.txt'):
                filepath = os.path.join(root, filename)
                matches = []
                withopen(filepath, 'r', encoding='utf-8') asf:
                    forline_num, lineinenumerate(f, 1):
                        ifkeywordinline:
                            matches.append((line_num, line.strip()))
                ifmatches:
                    results[filepath] = matches
    returnresults

案例17：格式批量转换（PDF转Text示例）

场景：批量提取多个PDF文件中的文本。

核心思路：使用 pdfplumber 或 PyPDF2 库。

importpdfplumber
defpdf_to_text(pdf_folder, output_folder):
    os.makedirs(output_folder, exist_ok=True)
    forpdf_fileinos.listdir(pdf_folder):
        ifpdf_file.endswith('.pdf'):
            pdf_path = os.path.join(pdf_folder, pdf_file)
            text_filename = os.path.splitext(pdf_file)[0] +'.txt'
            text_path = os.path.join(output_folder, text_filename)
            withpdfplumber.open(pdf_path) aspdf, open(text_path, 'w', encoding='utf-8') asout_f:
                forpageinpdf.pages:
                    text = page.extract_text()
                    iftext:
                        out_f.write(text+'\\n\\n')

案例18：文件大小统计

场景：分析某个项目文件夹下各子目录的大小。

核心思路：递归计算文件夹大小。

defget_folder_size(folder_path):
    total_size = 0
    fordirpath, dirnames, filenamesinos.walk(folder_path):
        forfinfilenames:
            fp = os.path.join(dirpath, f)
            total_size += os.path.getsize(fp)
    returntotal_size  # 返回字节数
defanalyze_disk_usage(root_path):
    usage = {}
    foriteminos.listdir(root_path):
        item_path = os.path.join(root_path, item)
        ifos.path.isdir(item_path):
            usage[item] = get_folder_size(item_path)
    # 按大小排序并打印
    forname, sizeinsorted(usage.items(), key=lambdax: x[1], reverse=True):
        print(f"{name}: {size / (1024**3):.2f} GB")

案例19：备份自动化

场景：每天凌晨1点自动将重要文件夹压缩备份到指定位置。

核心思路：使用 schedule 库定时执行，shutil.make_archive 进行压缩。

importschedule
importtime
importshutil
defbackup_job(source_dir, backup_dir):
    timestamp = datetime.now().strftime('%Y%m%d_%H%M%S')
    backup_name = f'backup_{timestamp}'
    shutil.make_archive(os.path.join(backup_dir, backup_name),
                        'zip',
                        source_dir)
    print(f'备份完成: {backup_name}.zip')
# 设置定时任务（每天1点）
schedule.every().day.at("01:00").do(backup_job, '/重要数据', '/备份位置')
whileTrue:
    schedule.run_pending()
    time.sleep(60)

案例20：权限批量设置（Linux示例）

场景：批量将某个目录下的所有 .sh 脚本文件设置为可执行。

核心思路：使用 os.chmod 修改文件权限。

defset_executable_permission(folder_path):
    forroot, dirs, filesinos.walk(folder_path):
        forfilenameinfiles:
            iffilename.endswith('.sh'):
                filepath = os.path.join(root, filename)
                os.chmod(filepath, 0o755)  # 设置rwxr-xr-x权限
                print(f'Set executable: {filepath}')

案例21 & 22：群发邮件与附件

已在之前的案例2中详细展示，核心是 smtplib 和 email 库，附件使用 MIMEBase。

案例23：邮件定时发送

场景：写好邮件，设定在明天上午9点自动发送给客户。

核心思路：结合案例2的发送函数和案例19的 schedule 库。

schedule.every().day.at("09:00").do(send_personalized_emails, ...参数...)

案例24：收件箱自动整理

场景：将收件箱中来自“通知@公司.com”的邮件自动移动到“公司通知”文件夹。

核心思路：使用 imaplib 库连接邮件服务器进行操作。

importimaplib, email
deforganize_inbox(username, password, imap_server):
    mail = imaplib.IMAP4_SSL(imap_server)
    mail.login(username, password)
    mail.select('inbox')
    # 搜索所有邮件
    status, messages = mail.search(None, 'ALL')
    fornuminmessages[0].split():
        status, data = mail.fetch(num, '(RFC822)')
        msg = email.message_from_bytes(data[1](@ref)
        from_addr = msg.get('From')
        if'通知@公司.com'infrom_addr:
            # 将邮件复制或移动到目标文件夹
            mail.copy(num, '公司通知')
            mail.store(num, '+FLAGS', '\\Deleted') # 在原邮箱标记删除
    mail.expunge()
    mail.close()
    mail.logout()

案例25：邮件内容提取

场景：从一堆报价邮件中提取“总金额”和“订单号”。

核心思路：解析邮件正文（可能是纯文本或HTML），使用正则表达式提取关键信息。

importre
defextract_order_info(msg):
    body = ""
    ifmsg.is_multipart():
        forpartinmsg.walk():
            ifpart.get_content_type() == "text/plain":
                body = part.get_payload(decode=True).decode()
                break
    else:
        body = msg.get_payload(decode=True).decode()
    # 使用正则表达式查找
    amount_pattern = r'总金额[:：]\\s*(\\d+(?:\\.\\d+)?)'
    order_pattern = r'订单号[:：]\\s*(\\w+)'
    amount = re.search(amount_pattern, body)
    order_no = re.search(order_pattern, body)
    return (order_no.group(1) iforder_noelseNone,
            amount.group(1) ifamountelseNone)

案例26：自动回复设置

场景：假期自动回复“您好，我将于X月X日返岗…”。

核心思路：同样使用 imaplib 监控收件箱，对符合条件的来信自动发送回复。

# 1. 使用imapllib IDLE命令监听新邮件
# 2. 当新邮件到达且发件人不在通讯录时，触发回复
# 3. 调用案例2的发送函数，发送固定内容的回复邮件
# 注意：实现较为复杂，需处理并发和规则引擎。

案例27：网页数据抓取

场景：定时抓取某新闻网站的头条标题和链接。

核心思路：使用 requests 获取网页，BeautifulSoup 解析HTML。

importrequests
frombs4importBeautifulSoup
defscrape_news(url):
    headers = {'User-Agent': 'Mozilla/5.0'}
    resp = requests.get(url, headers=headers)
    soup = BeautifulSoup(resp.content, 'html.parser')
    news_list = []
    foriteminsoup.select('.news-title a'): # 根据实际网站CSS选择器修改
        title = item.text.strip()
        link = item['href']
        news_list.append({'title': title, 'link': link})
    returnnews_list

案例28：API数据对接

场景：调用公司CRM系统的API，获取当日新增客户列表。

核心思路：使用 requests 库发送GET/POST请求，处理JSON响应。

importrequests
deffetch_crm_data(api_url, api_token):
    headers = {'Authorization': f'Bearer {api_token}'}
    params = {'date': '2025-04-28'} # 假设参数
    response = requests.get(api_url, headers=headers, params=params)
    ifresponse.status_code == 200:
        data = response.json()
        returnpd.DataFrame(data['clients']) # 转为DataFrame方便处理
    else:
        print(f'API请求失败: {response.status_code}')
        returnNone

案例29：数据库自动化

场景：每天将Excel中的销售数据增量同步到MySQL数据库。

核心思路：使用 pandas 读取Excel，sqlalchemy 建立数据库连接并写入。

importsqlalchemy
defsync_to_mysql(excel_path, table_name):
    df = pd.read_excel(excel_path)
    # 创建数据库连接引擎
    engine = sqlalchemy.create_engine('mysql+pymysql://user:pass@localhost/db_name')
    # 将DataFrame写入数据库表，'append'模式表示增量添加
    df.to_sql(table_name, con=engine, if_exists='append', index=False)

案例30：数据可视化

场景：自动生成销售数据的柱状图、折线图和散点图。

核心思路：matplotlib 和 seaborn 是核心库。案例4已展示折线图，以下是多子图示例。

fig, axes = plt.subplots(2, 2, figsize=(12, 10))
# 子图1：柱状图
axes[0, 0].bar(df['产品'], df['销量'])
axes[0, 0].set_title('产品销量柱状图')
# 子图2：折线图
axes[0, 1].plot(df['日期'], df['销售额'], marker='o')
axes[0, 1].set_title('销售额趋势')
# 子图3：散点图
axes[1, 0].scatter(df['广告投入'], df['销售额'])
axes[1, 0].set_title('广告投入与销售额关系')
# 子图4：箱线图
axes[1, 1].boxplot([df[df['地区']==r]['销售额'] forrindf['地区'].unique()])
axes[1, 1].set_xticklabels(df['地区'].unique())
axes[1, 1].set_title('各地区销售额分布')
plt.tight_layout()
plt.savefig('综合销售分析.png')

案例31：报表自动生成

场景：结合数据查询、计算和图表，生成一份包含摘要、表格和图片的Word周报。

核心思路：使用 python-docx 库操作Word文档。

fromdocximportDocument
fromdocx.sharedimportInches
defgenerate_word_report(summary_text, dataframe, chart_image_path):
    doc = Document()
    doc.add_heading('每周销售报告', 0)
    # 添加摘要
    doc.add_paragraph(summary_text)
    # 添加表格
    table = doc.add_table(dataframe.shape[0]+1, dataframe.shape[1](@ref)
    forj, col_nameinenumerate(dataframe.columns):
        table.cell(0, j).text = col_name
    fori, rowindataframe.iterrows():
        forj, valueinenumerate(row):
            table.cell(i+1, j).text = str(value)
    # 添加图表图片
    doc.add_picture(chart_image_path, width=Inches(6.0))
    doc.save('销售周报.docx')

案例32：异常数据检测

场景：在销售数据中自动识别销量为负数或异常高的离群值。

核心思路：使用统计学方法（如Z-score或IQR）或简单规则。

defdetect_anomalies(df, column):
    Q1 = df[column].quantile(0.25)
    Q3 = df[column].quantile(0.75)
    IQR = Q3-Q1
    lower_bound = Q1-1.5*IQR
    upper_bound = Q3+1.5*IQR
    anomalies = df[(df[column] <lower_bound) | (df[column] >upper_bound)]
    returnanomalies

案例33：数据加密解密

场景：对包含敏感信息的CSV文件进行加密存储。

核心思路：使用 cryptography 库。

fromcryptography.fernetimportFernet
defencrypt_file(input_path, output_path, key):
    cipher = Fernet(key)
    withopen(input_path, 'rb') asf:
        data = f.read()
    encrypted_data = cipher.encrypt(data)
    withopen(output_path, 'wb') asf:
        f.write(encrypted_data)
# 生成密钥: key = Fernet.generate_key()，并妥善保存

案例34：日志分析工具

场景：分析应用日志，统计ERROR出现的频率和上下文。

核心思路：读取日志文件，使用正则或字符串匹配进行分析。

defanalyze_log(log_path):
    error_count = 0
    ip_pattern = r'\\d+\\.\\d+\\.\\d+\\.\\d+'
    ip_errors = {}
    withopen(log_path, 'r') asf:
        forlineinf:
            if'ERROR'inline:
                error_count += 1
                ip_match = re.search(ip_pattern, line)
                ifip_match:
                    ip = ip_match.group()
                    ip_errors[ip] = ip_errors.get(ip, 0) +1
    print(f'总ERROR数: {error_count}')
    print('IP错误排行:', sorted(ip_errors.items(), key=lambdax:x[1], reverse=True)[:5])

案例35：会议纪要生成（语音转文字）

场景：将会议录音文件转为文字稿。

核心思路：调用语音识别API（如科大讯飞、百度AI开放平台）或使用离线库 speech_recognition。

importspeech_recognitionassr
defaudio_to_text(audio_path):
    r = sr.Recognizer()
    withsr.AudioFile(audio_path) assource:
        audio = r.record(source)
    try:
        text = r.recognize_google(audio, language='zh-CN')
        returntext
    exceptsr.UnknownValueError:
        return"无法识别音频"
    exceptsr.RequestError:
        return"服务请求出错"

案例36：日程自动安排

场景：根据任务列表和优先级，自动规划一周的工作日历。

核心思路：使用算法（如贪心算法）进行简单排程，并用 icalendar 库生成 .ics 日历文件。

fromicalendarimportCalendar, Event
fromdatetimeimportdatetime, timedelta
defcreate_schedule(tasks, start_date):
    cal = Calendar()
    current_time = datetime.combine(start_date, datetime.min.time())
    fortaskintasks:
        event = Event()
        event.add('summary', task['name'])
        event.add('dtstart', current_time)
        event.add('dtend', current_time+timedelta(hours=task['duration']))
        cal.add_component(event)
        current_time += timedelta(hours=task['duration'] +1) # 假设间隔1小时
    withopen('my_schedule.ics', 'wb') asf:
        f.write(cal.to_ical())

案例37：待办事项管理

场景：命令行或简单GUI的待办清单，支持增删改查和到期提醒。

核心思路：使用 json 或 sqlite3 存储数据，schedule 库检查提醒。

importjson, schedule
classTodoList:
    def__init__(self, file_path='todo.json'):
        self.file_path = file_path
        self.load()
    defadd(self, task, due_date):
        self.tasks.append({'task': task, 'due': due_date, 'done': False})
        self.save()
    defcheck_reminder(self):
        today = datetime.now().date()
        fortinself.tasks:
            ifnott['done'] anddatetime.strptime(t['due'], '%Y-%m-%d').date() == today:
                print(f'提醒: 今天需要完成 - {t["task"]}')
# 定时检查
schedule.every().day.at("09:00").do(TodoList().check_reminder)

案例38：考勤统计

场景：从打卡机导出的原始记录中，计算每人每天的上班时长和迟到次数。

核心思路：pandas 处理时间序列数据，进行分组和重采样计算。

defcalculate_attendance(record_path):
    df = pd.read_csv(record_path, parse_dates=['打卡时间'])
    df['日期'] = df['打卡时间'].dt.date
    # 假设每人每天两条记录：上班和下班
    pivot = df.pivot_table(index=['姓名','日期'],
                           columns=df.groupby(['姓名','日期']).cumcount(),
                           values='打卡时间',
                           aggfunc='first')
    pivot.columns = ['上班时间', '下班时间']
    pivot['工作时长'] = (pivot['下班时间'] -pivot['上班时间']).dt.total_seconds() /3600
    pivot['是否迟到'] = pivot['上班时间'].dt.hour>9  # 假设9点后算迟到
    returnpivot

案例39：发票识别处理

场景：批量扫描发票图片，识别其中的金额、税号、日期等信息。

核心思路：使用OCR库（如 pytesseract 或 paddleocr）识别图片文字，再用正则提取关键字段。

importpytesseract
fromPILimportImage
defextract_invoice_info(image_path):
    img = Image.open(image_path)
    text = pytesseract.image_to_string(img, lang='chi_sim+eng')
    # 使用正则表达式匹配金额、税号等模式
    amount_pattern = r'(?:￥|¥|人民币)\\s*(\\d+(?:\\.\\d+)?)'
    tax_id_pattern = r'纳税人识别号[:：]\\s*([0-9A-Z]{15,20})'
    # ... 提取逻辑
    return {'raw_text': text, 'amount': ..., 'tax_id': ...}

案例40：合同管理

场景：批量从合同PDF中提取甲方、乙方、签约日期和金额，存入数据库。

核心思路：结合案例17的PDF文本提取和案例39的信息提取技术。

defprocess_contracts(pdf_folder):
    all_contracts = []
    forpdf_fileinos.listdir(pdf_folder):
        text = pdf_to_text_single(pdf_file) # 调用提取文本的函数
        info = extract_contract_fields(text) # 调用自定义的信息提取函数
        info['文件名'] = pdf_file
        all_contracts.append(info)
    contracts_df = pd.DataFrame(all_contracts)
    contracts_df.to_sql('contracts', con=engine, if_exists='append', index=False) # 存入数据库

案例41：人事信息整理

场景：自动从简历文件（PDF/Word）中提取姓名、电话、邮箱和工作经验。

核心思路：与合同管理类似，是OCR/NLP信息提取的应用。

# 核心流程与案例40高度相似：
# 1. 读取文件 -> 2. 提取文本 -> 3. 使用规则或NLP模型（如ner）提取实体 -> 4. 结构化存储

案例42：绩效计算

场景：根据销售数据、考勤数据、项目完成度等多个来源的数据，按公式计算员工月度绩效分数。

核心思路：使用 pandas 作为数据整合和计算的核心引擎。

defcalculate_performance(sales_df, attendance_df, project_df):
    # 1. 数据合并与清洗
    merged_df = pd.merge(sales_df, attendance_df, on=['员工ID','月份'], how='outer')
    merged_df = pd.merge(merged_df, project_df, on=['员工ID','月份'], how='outer')
    # 2. 定义计算规则
    merged_df['绩效分数'] = (
        merged_df['销售额'] *0.5+
        merged_df['出勤率'] *100*0.2+
        merged_df['项目完成度'] *100*0.3
    )
    # 3. 排序和输出
    result = merged_df[['员工ID','姓名','月份','绩效分数']].sort_values('绩效分数', ascending=False)
    result.to_excel('月度绩效表.xlsx', index=False)
    returnresult

总结：以上是从案例4到案例42的核心代码思路和片段。每个案例都可以根据您的具体需求（如文件路径、数据结构、业务规则）进行修改和扩展，组合使用这些案例可以构建出强大的个性化办公自动化系统。

如何开始使用？

第一步：环境准备（3分钟搞定）

# 安装必要的Python库
pip install pandas openpyxl numpy matplotlib
pip install requests beautifulsoup4
pip install schedule python-docx pdfkit

第三步：按需使用

找到你需要的案例。
修改配置文件中的路径和参数。
运行脚本，等待运行结果。

“无他，惟手熟尔”！有需要的用起来！

如果你觉得这篇文章有用，欢迎点赞、转发、收藏、留言、推荐❤！

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2026-05-11，如有侵权请联系 cloudcommunity@tencent.com 删除

python

本文分享自 Nicholas与Pypi 微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！