企业官网建设流程全解析

Python 这几年几乎成了“非程序员学编程”的首选语言。很多新手在 B站、CSDN 或其他平台上看到过类似《50集Python零基础入门教程 办公自动化 数据分析 赠源码 新手必看》这样标题的资源，第一反应是先存进收藏夹，结果一放就是一年。其实这类课程覆盖的知识点非常一致：先掌握 Python 基础语法，再用 openpyxl、pandas 这些库解决实际工作里的重复劳动，最后用真实数据做一次分析练习。本文就把这套学习路径浓缩成图文版教程，不讲虚的，从安装 Python 开始，带着你装环境、写语法、处理 Excel、分析数据。看完之后你不需要再到处保存“新手必看合集”，直接把下面几节代码敲一遍，你就能自己写出第一个办公自动化脚本。

零基础学 Python，最大的问题往往不是“不懂代码”，而是不知道学完一段语法后它能干什么。所以我特意把内容分成三块：环境搭建、基础语法、办公自动化和数据分析实战。每一块都给完整源码和运行思路，你复制粘贴就能跑。

1. 为什么说办公自动化和数据分析是新手最容易上手的方向？

先看一个非常现实的问题：一个刚学会print("hello")的人，下一步该学什么？如果直接去看 Flask、Django 这类 Web 框架，大概率会被路由、模板、ORM 绕晕。但如果他把目标定为“帮我自动处理 Excel 里的几千行数据”，那他只需要用到循环、列表、字典、文件读写、几个第三方库，这些知识点刚好构成一条完整的新手学习路径。

办公自动化的核心价值是替代重复劳动。日常工作中很多任务并不需要多高深的技术，只是量大、繁琐。比如把十几个 Excel 表格合并成一个，把多个 TXT 文件里的关键字段提取出来，把一堆 CSV 按日期重命名。这些事情用鼠标一个一个点，一小时就过去了。写一个 Python 脚本，通常几十行代码就能解决。python 处理 Excel 用的库叫 openpyxl，处理数据用的库叫 pandas，它们都是目前办公自动化和数据分析领域最常用的工具。

数据分析则是在办公自动化基础上更进一步。办公自动化解决的是“文件处理效率”，数据分析解决的是“数据背后有什么规律”。一个典型的例子：你从系统里导出全年销售明细，里面有上千行订单，怎么快速知道哪个月份销售最高？哪个产品线贡献最大？用 Excel 透视表可以做，但如果数据每月更新一次，你每次都手动设置透视表范围、更新图表，还是会累。用 Python 写一个数据清洗和统计脚本，之后每个月只要重新跑一遍，结果报表自动生成。

为什么要强调“赠源码”这个概念？因为新手学编程最忌讳看视频只看不练。很多课程附带的源码并不是让你收藏的，而是用来对照运行、断点调试、二次修改的学习材料。正确的用法是：先自己照着代码手敲一遍，运行报错了再看源码里的写法差异，而不是直接把源码跑一遍觉得“我会了”。这也是接下来所有实战案例的设计原则——代码要能直接运行，运行结果要能解释清楚。

2. Python 零基础环境搭建：装好 Python、VS Code 和必备库

环境搭建是新手最容易卡住的地方之一。你用的操作系统可能是 Windows、macOS 或 Linux，不同系统安装方式稍有差异，但思路是一样的，都是把 Python 解释器装到电脑上，再用 IDE 或编辑器写代码。

2.1 安装 Python 解释器

Windows 系统安装比较直接。打开 Python 官网下载页面，选择最新的稳定版安装包，比如 Python 3.11 或 3.12。安装时要特别注意勾选底部的 “Add Python to PATH” 选项，如果没有勾选，安装后在命令行里执行 python 会提示“不是内部或外部命令”。macOS 系统通常自带 Python 2，但那是系统老版本，不建议直接使用。建议从官网下载安装器，或者通过 Homebrew 安装：

brew install python@3.12

Linux 系统的做法类似，以 Ubuntu 为例：

sudo apt update sudo apt install python3 python3-pip

版本选择建议以稳定为主。我写这篇文章时，Python 3.10、3.11、3.12 都比较常见，3.8 之后的语法基本兼容。你在网上看资料时，如果遇到f-string、with语句等写法，Python 3.6 以上都能支持。安装完成后，验证版本的方式是在命令行执行：

python --version

如果输出类似Python 3.12.x的结果，说明安装成功。注意 Windows 下有时要执行python3而不是python，Linux 下则可能反过来，这取决于系统的软链接配置。

2.2 安装 VS Code 并配置 Python 环境

写 Python 代码的工具有很多，新手阶段最推荐 VS Code，原因是免费、跨平台、插件生态强大，而且占用资源比 PyCharm 小。安装 VS Code 后，需要在扩展市场里安装两个插件：第一个是 Python 官方插件，用于语法提示和调试；第二个是 Pylance，提供代码自动补全和类型提示。装完后按 Ctrl+Shift+P，输入 Python: Select Interpreter，选择刚才安装的解释器版本。

VS Code 里新建一个后缀为.py的文件后，右上角会出现一个三角运行按钮，点击即可运行当前脚本。如果在终端里运行，需要先进入文件目录：

cd /path/to/your/script python hello.py

2.3 使用 pip 安装第三方库

办公自动化和数据分析要用到 openpyxl、pandas、matplotlib 等库。Python 安装这些库非常简单，pip 会帮我自动处理大部分依赖关系。

pip install openpyxl pandas matplotlib

如果你的环境里存在多版本 Python，可能需要用pip3来区分。安装过程中如果遇到网络超时或下载慢的情况，可以换成国内镜像源，例如清华源：

pip install openpyxl pandas matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，在 Python 里执行import pandas不报错，就说明环境配置成功。

3. Python 基础语法核心知识点：从变量到函数

有人会觉得 Python 语法太简单，不需要系统学，直接拿项目练手就能会。这个说法只适合本身有其他编程语言经验的人，对真正零基础的读者来说并不可取。项目实战能帮你建立兴趣，但没有语法底子，遇到报错时连“哪里错了”都看不出来。这篇的基础语法主要围绕后续办公自动化和数据分析案例，挑最核心的部分展开。

3.1 变量、数据类型与内置函数

Python 是动态类型语言，变量不需要声明类型，直接赋值即可：

# 变量与数据类型 name = "小明" # 字符串类型 str age = 25 # 整数类型 int salary = 8500.5 # 浮点数类型 float is_student = False # 布尔类型 bool print(name, age, salary, is_student) print(type(name)) # 输出 <class 'str'>

这里要理解一个核心概念：Python 中一切皆对象。变量实际上是指向对象的引用，type()函数可以查看对象类型。刚入门时不需要深挖对象模型，但要养成用type()和print()调试的习惯，这两个函数能帮你弄清楚程序在每一步拿到的是什么。

需要重点区分列表、元组和字典。列表用中括号，元组用小括号，字典用大括号。

# 列表 list：有序，可修改 fruits = ["苹果", "香蕉", "橙子"] fruits.append("葡萄") print(fruits[0]) # 输出 苹果 # 元组 tuple：有序，不可修改 point = (3, 5) print(point[1]) # 输出 5 # 字典 dict：键值对 person = {"name": "小红", "age": 22, "city": "上海"} print(person["name"]) # 输出 小红

办公自动化和数据分析里，列表是使用最频繁的结构，因为一条数据可以看作一行记录，多条记录堆在一起就是二维数据。字典则常用于表示带字段名的一条记录。

3.2 条件判断与循环

条件判断使用if、elif、else，注意 Python 用缩进表示代码块，同一个代码块的缩进必须一致。条件判断在数据清洗中非常常用，比如把年龄大于 60 的客户标记为“老年用户”，把销售额小于 1000 的订单标记为“低价值订单”。

# 判断成绩等级 score = 85 if score >= 90: grade = "优秀" elif score >= 60: grade = "及格" else: grade = "不及格" print(grade) # 输出 及格

循环主要掌握for循环，因为这个场景在 Excel 遍历行、遍历文件列表时无处不在。配合range()函数可以生成数字序列：

# for 循环遍历列表 students = ["张三", "李四", "王五"] for stu in students: print("当前学生：", stu) # 循环搭配 range for i in range(1, 6): print("第", i, "次循环")

还需要掌握while循环，它的特点是先判断条件再执行，适合循环次数不确定的场景，比如不断读取文件直到没有新内容。

3.3 函数与模块

如果一段逻辑要反复使用，就应该封装成函数。函数用def关键字定义：

def calc_area(radius): """计算圆的面积""" area = 3.14159 * radius ** 2 return area r = 5 print(calc_area(r)) # 输出 78.53975

函数的核心价值是“一次定义，多次调用”，让代码结构更清晰。数据分析过程中，清洗逻辑通常会被封装成多个函数，比如clean_date()、remove_duplicates()、fill_missing()，这样主流程看起来就像在读文章一样容易理解。

除了自定义函数，Python 还允许把代码拆分到不同文件中，形成模块化结构。一个.py文件就是一个模块，其他文件通过import导入。第三方库的导入方式也是如此。

4. 办公自动化实战：用 Python 批量处理 Excel 文件

环境搭好、基础语法过了，下面进入最直观的实战环节。我选了一个每天都会遇到的场景：一个文件夹下有多个销售报表 Excel，每个表结构相同，需要把它们合并成一个总表，同时做简单的格式整理。这种需求如果用 Excel 自带功能来做，需要反复打开文件、复制、粘贴，不仅慢还容易出错。Python 脚本可以自动遍历文件夹，几秒钟完成所有合并。

4.1 创建测试文件

运行下面的示例前，建议先在本地创建几个测试用的 Excel 文件，保证目录结构统一：

D:/sales_data/ ├── 1月销售表.xlsx ├── 2月销售表.xlsx └── 3月销售表.xlsx

每个测试文件的列结构统一为：订单编号、日期、销售员、销售额。为了方便测试，我们先用 openpyxl 创建三个测试文件：

# 文件路径：create_test_data.py from openpyxl import Workbook months = ["1月", "2月", "3月"] sales_data = { "1月": [("A001", "2025-01-05", "张伟", 1200), ("A002", "2025-01-12", "李娜", 800)], "2月": [("B001", "2025-02-08", "王强", 1500), ("B002", "2025-02-20", "张伟", 900)], "3月": [("C001", "2025-03-03", "李娜", 2000), ("C002", "2025-03-15", "王强", 1100)], } for month, rows in sales_data.items(): wb = Workbook() ws = wb.active ws.title = "销售明细" ws.append(["订单编号", "日期", "销售员", "销售额"]) for row in rows: ws.append(list(row)) wb.save(f"D:/sales_data/{month}销售表.xlsx") print(f"已生成 {month}销售表.xlsx")

openpyxl的操作逻辑比较清晰：Workbook()创建工作簿，active获取默认工作表，append()向工作表追加一行数据，最后用save()保存。上面的代码里我特意把测试数据封装成字典，循环时用for month, rows in sales_data.items()同时拿到 key 和 value，这是 Python 里非常实用的写法。

4.2 合并多个 Excel 文件

生成测试文件后，合并脚本的核心思路是：先用os.listdir()扫描指定目录下所有.xlsx文件，再逐个用openpyxl打开文件，读取前几行或全部数据，然后用append()写入目标文件。注意要跳过表头，同时记录每个文件的来源，方便后续追踪。

# 文件路径：merge_excel.py import os from openpyxl import Workbook, load_workbook source_dir = "D:/sales_data" output_file = "D:/sales_data/全年汇总.xlsx" # 创建目标工作簿 wb_output = Workbook() ws_output = wb_output.active ws_output.title = "全年汇总" ws_output.append(["订单编号", "日期", "销售员", "销售额", "来源文件"]) # 遍历目录下所有 xlsx 文件 for filename in os.listdir(source_dir): if not filename.endswith(".xlsx") or filename.startswith("~$"): continue if filename == "全年汇总.xlsx": continue file_path = os.path.join(source_dir, filename) wb_read = load_workbook(file_path) ws_read = wb_read.active # 按行读取，数据从第 2 行开始（跳过表头） for row in ws_read.iter_rows(min_row=2, values_only=True): ws_output.append(list(row) + [filename]) print(f"已合并 {filename}") wb_output.save(output_file) print("合并完成，文件保存在：", output_file)

代码中有几个细节值得注意。第一，os.listdir()会返回目录下所有文件名，包括 Excel 临时文件，这些临时文件名通常以~$开头，所以代码里要判断过滤。第二，iter_rows(min_row=2, values_only=True)表示从第二行开始按行读取，返回的是元组，values_only=True参数能把单元格对象转换成实际值，否则拿到的是一堆Cell对象。第三，文件里可能包含你已经生成的汇总文件，所以判断输出文件名跳过，避免重复合并。

4.3 运行与验证

在命令行执行脚本：

python merge_excel.py

正常情况下终端会依次打印：

已合并 1月销售表.xlsx 已合并 2月销售表.xlsx 已合并 3月销售表.xlsx 合并完成，文件保存在： D:/sales_data/全年汇总.xlsx

打开汇总文件后可以看到，表格前四列是原始销售数据，第五列是来源文件。这种“保留来源标识”的方式在实际工作中非常有用，当后面数据核对出问题时，你能快速定位到具体是哪个月的文件出了问题。

4.4 扩展到 CSV 和 TXT

除了 xlsx，CSV 文件也是办公自动化的常见对象。CSV 本质是逗号分隔的纯文本文件，读取时不需要openpyxl，标准库里的csv模块就能搞定。批量合并 CSV 文件的思路与上面类似，只是读取方式不同：

import csv import os source_dir = "D:/csv_data" output_file = "D:/csv_data/合并结果.csv" with open(output_file, "w", newline="", encoding="utf-8") as f_out: writer = csv.writer(f_out) for filename in os.listdir(source_dir): if not filename.endswith(".csv"): continue file_path = os.path.join(source_dir, filename) with open(file_path, "r", encoding="utf-8") as f_in: reader = csv.reader(f_in) for row_index, row in enumerate(reader): if row_index == 0 and filename != "合并结果.csv": continue # 跳过每个文件的表头 writer.writerow(row)

需要注意的是 CSV 文件读取时容易遇到编码问题。Excel 导出的 CSV 文件经常是 GBK 编码，而 Python 默认用 UTF-8 读取，这时需要把encoding="utf-8"换成encoding="gbk"，否则会报UnicodeDecodeError。更稳妥的方案是先尝试 UTF-8，失败了再用 GBK。这个思路同样适用于open()读取任何文本文件。

5. 数据分析实战：从 Excel 到统计报告

办公自动化解决完“数据怎么整理”的问题，下一步就是“整理完的数据怎么分析”。本文以 pandas 为核心，从读取 Excel 开始，完成数据清洗、统计分析和基础可视化。pandas 这类库的行列操作比 Excel 更灵活，脚本化之后可以做到“数据一更新，报表自动算”。

5.1 用 pandas 读取 Excel 数据

pandas 的read_excel()方法可以直接读取 xlsx 文件，比 openpyxl 更简洁：

# 文件路径：analysis_demo.py import pandas as pd df = pd.read_excel("D:/sales_data/全年汇总.xlsx") print(df.head()) # 默认展示前 5 行 print(df.info()) # 查看数据类型和缺失情况 print(df.describe()) # 数值列统计描述

df.head()的输出能帮你快速确认数据加载正确。df.info()会显示每一列的名称、非空值数量和数据类型，这是数据清洗的第一步参考。

pandas 中最重要的数据类型是 DataFrame，它就像一张内存中的表格。DataFrame 有行索引（index）和列名（columns）两个维度，通过这两个维度可以对数据进行任意筛选。

5.2 数据清洗：处理缺失值和重复值

实际拿到的数据往往并不干净。部门导出的 Excel 里可能有空单元格、重复行、日期格式不统一等问题。pandas 提供了专门的方法处理这些场景：

# 假设已经读取了 df # 查看缺失值 print(df.isnull().sum()) # 删除所有字段都为空的行 df_dropna = df.dropna(how="all") # 删除某一列为空的行 df_clean = df_dropna.dropna(subset=["销售额"]) # 去除重复记录 df_clean = df_clean.drop_duplicates(subset=["订单编号"]) # 重置索引 df_clean = df_clean.reset_index(drop=True) print(df_clean.shape)

数据清洗的通用流程是：先看缺失，再查重复，最后调整数据类型。dropna的how="all"参数表示只有当整行所有字段都为空时才删除，这个逻辑在实际业务中更安全，不会把包含有效信息的行误删。subset参数指定判断缺失的列范围。

处理日期列也是常见需求，比如把字符串2025-01-05转换成 datetime 类型，方便按月筛选：

df_clean["日期"] = pd.to_datetime(df_clean["日期"]) df_clean["月份"] = df_clean["日期"].dt.month print(df_clean.head())

5.3 分组统计与透视分析

数据清洗干净后，开始做“销售员销售额汇总”“月度销售额统计”这类问题。pandas 的groupby()是实现分组聚合的核心方法：

# 按销售员统计总销售额 sales_by_person = df_clean.groupby("销售员")["销售额"].sum() print(sales_by_person) # 按月份统计销售额 sales_by_month = df_clean.groupby("月份")["销售额"].sum() print(sales_by_month) # 统计每个销售员的订单数和平均销售额 person_stats = df_clean.groupby("销售员").agg( 订单数=("订单编号", "count"), 总销售额=("销售额", "sum"), 平均销售额=("销售额", "mean") ).reset_index() print(person_stats)

agg()方法可以利用字典或命名参数同时做多种聚合计算。上面的代码用了 pandas 新的命名聚合写法，在 pandas 0.25 之后的版本都支持。reset_index()的作用是把分组字段从索引位置还原成普通列，方便后续保存到 Excel。

如果想做类似 Excel 透视表的多维分析，可以用pivot_table()：

# 透视表：行是月份，列是销售员，值是销售额 pivot = pd.pivot_table( df_clean, values="销售额", index="月份", columns="销售员", aggfunc="sum", fill_value=0 ) print(pivot)

5.4 保存结果到 Excel

分析结果只打印在终端里还不够，通常需要保存成 Excel 或 CSV 文件，发给同事或做成日报。pandas 可以直接保存 DataFrame：

# 保存成一个带多个 sheet 的报告文件 with pd.ExcelWriter("D:/sales_data/销售分析报告.xlsx") as writer: person_stats.to_excel(writer, sheet_name="销售员统计", index=False) sales_by_month.to_excel(writer, sheet_name="月度统计") pivot.to_excel(writer, sheet_name="透视表")

运行这个文件后，生成的 Excel 会包含三个工作表，打开后可以直接给上级汇报。从这个案例中能明白，为什么“数据分析”和“办公自动化”经常被放在一起讲：前者需要从后者整理出来的数据中提炼价值，后者的脚本又可以对前者实现自动化更新。

5.5 用 matplotlib 做简单可视化

文字数据不够直观时，可视化是必须的。matplotlib 是 Python 基础的绘图库，pandas 的绘图功能底层也依赖它。下面画一个简单的月度销售额折线图：

import matplotlib.pyplot as plt # 让图片支持中文显示 plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False sales_by_month.plot(kind="line", marker="o", title="月度销售额趋势") plt.xlabel("月份") plt.ylabel("销售额") plt.savefig("D:/sales_data/month_sales.png") plt.show()

中文显示是新手最容易踩的坑。matplotlib 默认字体里不包含中文字符，如果不设置font.sans-serif，图上的中文会显示成方框。不同操作系统的字体名称不一样，Windows 一般用SimHei，macOS 可用Arial Unicode MS或PingFang SC，Linux 可以尝试WenQuanYi Micro Hei。

6. Python 新手常见的报错与排查思路

代码写得越多，遇到的报错越多样化。有些错误是语法层面的，有些是环境配置问题，有些是数据类型不对。这里总结零基础阶段出现频率最高的几类报错，每类给出原因和解决方法。

下面详细讲两种处理思路。

6.1 路径与转义问题

Windows 系统的路径分隔符是反斜杠\，但 Python 字符串里反斜杠是转义符，所以直接写"D:\sales_data\file.xlsx"时，\s可能会被解析成特殊字符。两种推荐写法：一是字符串前面加r，表示原始字符串；二是把反斜杠替换成正斜杠/。

# 推荐写法 path1 = r"D:\sales_data\file.xlsx" path2 = "D:/sales_data/file.xlsx"

6.2 虚拟环境问题

新手经常遇到“明明在终端里pip install成功，到 VS Code 里运行却提示 ModuleNotFoundError”的情况。这是因为电脑里可能同时存在多个 Python，pip 默认安装到其中一个，而 VS Code 当前使用的是另一个。解决方案是使用 Python 虚拟环境。在项目目录执行：

python -m venv venv

Windows 激活虚拟环境：

venv\Scripts\activate

macOS 或 Linux 激活：

source venv/bin/activate

激活虚拟环境后，终端提示符会多出一个(venv)前缀，此时再执行pip install和python xxx.py，两者就会指向同一个 Python 环境，依赖混乱的问题基本不会再出现。

7. 新手必看的源码阅读方法和最佳实践

刚才提到“赠源码”，对零基础新人来说，源码不是收藏品，而是练习的参考答案。拿到一套 Python 入门源码，盲目从头读到尾效率很低，更推荐的阅读顺序是：

1. 先运行一遍，看整体输出或界面效果。
2. 从程序入口开始读，通常是if __name__ == "__main__":下面的部分。
3. 把主流程里的每个函数标记出来，逐层往下看。
4. 不要急于理解每一行，先抓住循环、条件、数据处理这三类逻辑。
5. 用print()在关键位置输出中间变量，观察程序执行过程。
6. 自己修改一个小功能，比如把输出目录改掉、把统计维度换掉。

按照这个方式练习一篇源码，效果比把源码抄三遍都要好。

7.1 工程建议：把脚本当作小型项目管理

即使只是处理一个 Excel 文件，也要养成良好的编码习惯。办公自动化脚本虽然短，但如果以后要维护，你就需要想清楚几个问题：输入文件放在哪里，输出文件放在哪里，临时文件能不能自动清理，代码里有没有硬编码路径。

具体建议如下：

• 项目目录固定结构：input/放原始文件，output/放结果文件，scripts/放代码。
• 代码开头集中定义变量和路径，不要散落在代码各处。
• Excel 文件处理前先备份原文件，尤其是需要覆盖原文件的场景。
• 批量操作时打印日志，记录每个文件是否处理成功、跳过了哪几个文件。
• 涉及删除、覆盖或修改原文件的操作，先在测试数据上验证。

# 推荐的脚本结构 import os from openpyxl import load_workbook INPUT_DIR = "D:/sales_data/input" OUTPUT_DIR = "D:/sales_data/output" LOG_FILE = "D:/sales_data/process.log" def log_message(msg: str) -> None: with open(LOG_FILE, "a", encoding="utf-8") as f: f.write(msg + "\n") print(msg) def process_one_file(filename: str) -> bool: # 处理单个文件 pass

7.2 数据安全与权限思维

办公自动化脚本一旦接管日常任务，就必须重视数据安全。一个删除操作可能需要覆盖几十个文件，如果代码有 bug，后果比手动操作严重得多。所以无论是处理 Excel 还是调用数据库，都要遵守一个底线：不修改原始文件，不做无备份的批量删除，不对生产数据执行未验证的操作。

实际操作中，建议采用三个层次保护数据：

• 第一层：代码运行前，用shutil.copy()把原文件备份到一个backup/目录。
• 第二层：涉及更新和删除逻辑时，先输出日志说明“将要更新哪些行”，确认无误后再真正执行写操作。
• 第三层：操作生产环境或敏感数据前，在测试环境复制一份数据做验证，使用最小权限的账号运行脚本。

很多办公自动化教程容易忽略这一点，但真正在工作中写过脚本的人都知道，批量修改带来的风险是真实存在的。

7.3 编码与命名规范

Python 官方推荐使用 PEP 8 编码规范，但这对于零基础新手来说不用背全部规则。一开始只要做到最基本的几点即可：变量名使用小写字母加下划线，函数名也遵循相同规则；常量用大写；每个函数写一行 docstring 说明用途。这类习惯能让你两个月后回看自己的代码时不至于完全看不懂。

# 不推荐的命名 a = "张三" x = df.groupby("销售员")["销售额"].sum() # 规范的命名 sales_name = "张三" sales_by_person = df.groupby("销售员")["销售额"].sum()

8. 从入门到实战：一份可以跟着练的学习路线

零基础到能独立做办公自动化和数据分析，需要一定时间的刻意练习。这条路线不需要你上来就看完整本 Python 教程书，正确做法是“边做边补、以练带学”。下面按阶段列一个比较可行的计划，每个阶段都对应一套明确产出。

8.1 第一阶段：语法功底（约 1-2 周）

这一阶段不需要碰任何第三方库，专心跑代码。每天抽 40 分钟做以下练习：

• 变量和基础类型：定义一个变量存储自己的名字、年龄、城市，并用 f-string 格式化输出。
• 条件判断：写一个函数，根据考试成绩返回“优秀/良好/及格/不及格”。
• for 循环和列表：生成 1 到 100 的偶数列表，计算总和。
• 字典操作：创建一个小型通讯录，支持新增联系人、查找联系人。
• 函数封装：把上面的功能封装成函数并调用。

每天的练习代码建议保存成独立.py文件，文件名使用描述性名称，比如05_even_sum.py。这些代码就是你的第一份“源码库”，不需要多高深，但记录了你从零到一的成长。

8.2 第二阶段：办公自动化入门（约 2 周）

第一次真正体会到“写代码解决工作问题”的阶段。学习目标是熟悉openpyxl、os、shutil三个模块的常用功能。

• 练习 1：统计一个 Excel 文件里有多少行、多少列，并打印每一行数据。
• 练习 2：把多个文本文件合并成一个 Excel，每个文件的文件名作为一列。
• 练习 3：把一个文件夹下的所有.jpg图片复制到新目录，并统一重命名为图片001.jpg的格式。

这类练习题网上有很多变体，核心都是围绕“遍历目录、读取文件、处理数据、输出结果”这四个步骤。

8.3 第三阶段：数据分析入门（约 2-3 周）

熟悉 pandas 之后，可以找一个自己感兴趣的日常数据做练习。比如：

• 导出微信或支付宝的年度账单 CSV 文件。
• 用 pandas 统计支出最多的前 10 个商家。
• 按月份统计线上消费金额变化趋势，并用 matplotlib 画折线图。
• 分析消费日期的星期分布，找出自己最容易“冲动消费”的星期几。

真实的个人数据比教学数据更能激发学习动力，分析结果里可能会发现一些自己都没注意到的生活习惯。这就是数据分析的价值：不是炫技，而是通过数据发现规律，辅助做决策。

8.4 第四阶段：综合项目和源码扩展

把办公自动化和数据分析串起来的综合项目，可以设计成“每个工作日自动生成前一天的销售日报”。需求拆解如下：

1. 自动扫描某个业务系统导出的原始数据文件。
2. 使用 pandas 清理数据并计算当日关键指标。
3. 使用 openpyxl 生成日报 Excel，并设置简单格式。
4. 自动使用 smtplib 把报告发送到指定邮箱。

这个项目会用到模块化编程思想，也是很多针对初学者设计的付费课程里的经典毕业设计。如果能把整个项目独立做出来，自己会获得很强的成就感，也说明知识已经成体系了。

9. 给零基础学习者的几个心里话

教程资源永远看不完，代码也永远敲不完。你收藏的 50 集视频、几十份源码，如果没有动手敲过一遍，那它们就只是网盘里的文件。真正有效的学习闭环是这样的：先看某个功能的效果，产生兴趣；再看不大于 20 行的核心示例，弄懂大致思路；然后关掉示例代码，凭记忆自己实现一遍；遇到报错时，带着问题回看教程；最后把调试通过的代码保存下来，并在注释里记录排错过程。

如果你真的照着这个步骤把文章里的三个实战脚本都运行了一遍，从创建测试 Excel 到合并文件，再到用 pandas 输出统计分析和可视化图片，那你就已经不再是“零基础”了。你已经具备了把重复工作“外包”给代码的能力。剩下要做的事情很简单：找一个自己最烦的重复表格任务，写一个脚本代替它。

下一篇可以尝试的内容有两个方向：一是深入 openpyxl，学习如何在 Excel 中设置单元格格式、边框、字体以及插入图表，把自动化报告做得更精致；二是学习 SQL 基本语法，因为 Pthon 数据分析遇到超过百万行数据时，pandas 的内存占用会很高，这时数据库配合 Python 才是更合理的技术选型。先把基础打牢，再往更深处走。