做过数据分析的程序员都知道：Excel、Tableau等这些亲民工具都是数据分析的得力助手。

但用Excel做分析，繁琐的每一步都是来自鼠标点击，中间如果一步有误，很多步骤都需要重新调整，浪费大量时间。

这不，前天临近下班时间，老板突然Q我：算一下近一年销售额总额TOP5的品牌以及对应的销售额。

接收完文档我傻眼了， 公司旗下有20个品牌，这些品牌涉及到128个类目，业务部门总共发来了128张表，每一份表格对应着一个细分行业的数据，像什么各类户外服装、垂钓装备、救生装备应有尽有。

每张表，以月的维度记录着每个品牌的日期、访客、客单、转化、所属类目（细分行业）等数据：

习惯性的打开Excel，我开始盘算：最终需求是要筛选出近一年销售额总和排名前5的品牌，这一摊子数据，对单独的一张表进行分类汇总，能够得到该细分行业各品牌的销售额， 想要得到所有行业的销售额总和，得分类汇总128次，最后对128次结果再次合并。

“这个任务看上去很艰巨，不过，考验的主要是体力。”我一眼就“看穿”了事情的本质，右手食指在鼠标上飞速跳动，以90秒一张表格的速度疯狂推进。按照这个速度，不考虑疲劳值对速度的拖累，大概 3.2个小时就能够完成任务。

然而，刚开始还 没3分钟，老板找到我：刚交你的任务暂时不用做了， 新来的已经得出结论了，看着还挺专业。

多年来的职业敏感性驱使我立马跟新同事聊了一下，“刚刚那些表分分钟就搞定了，很简单！”他演示给我看，“ 我就使用了几行Python代码......”

首先，导入模块，打开单个表格：

接着，汇总不同品牌在这个细分行业下的销售额，没有销售额的字段，可以通过访客数*转化率*客单价三者的乘积来计算：

按品牌来汇总销售额，得到近一年各品牌销售额合计：

对于单独行业的销售额，应该加一个区分的标签以防覆盖，而打开时候的文件名，具有天然的区分和防覆盖优势，但要注意去掉文件的后缀。

OK，单个表格处理完成，我们把这一系列操作推而广之即可。用os.listdir方法来遍历文件名，批量循环访问并处理文件，同时引入time计时，打算看一看，面对128张表，Python完成这些操作到底能够比手动快多少：

WOC，整个过程一气呵成，不到3秒，平均一张表格0.02秒！真香！

为了确保数据正常，来预览一下：

这一串看起来很奇怪的销售额，是pandas自作主张把实际销售额变成了科学记数法形式来展示，要还原数值，需要更改一下原始的设置：

我本以为学会Excel走遍天下，没想到Python效率这么高！

20年前，学英语不是为了成为翻译员；10年前，学电脑不是为了成为打字员；今天，学Python数据分析与挖掘不是要都成为数据分析师。

而越来越多的互联网人利用Python完成自动化办公、表格处理、信息搜集、数据分析、数据可视化等工作，至少释放了80%的劳动力！

我们知道什么样的程序员最受欢迎？

肯定不是只会写代码的码农，而是技术过硬又懂业务的，可以 通过数据分析，优化代码解决实际业务问题的人才！

其实无论是做研发、系统架构，还是产品、运营，在数不清的场景下， 用Python做数据分析与挖掘其实是基本功，它不是一个职位，而是一个技能。

这里整理了一些Python数据分析视频教程，想着有用得上的伙伴，回复：数据分析，领取！

Python最新数据分析入门教程https://pan.baidu.com/s/1So1X4-uNgXcNurJDJFPPAA ！！！