摘要：前几天帮同事解决了个难题：她做市场周报时，要手动从5个Excel表复制数据，再整理成可视化图表，每天花3小时还总出错。我给她写了段20行的Python代码，现在她导入数据后点一下运行，10秒就能出表出图。其实Python没那么复杂，很多职场问题，几行代码就能解
前几天帮同事解决了个难题：她做市场周报时，要手动从5个Excel表复制数据，再整理成可视化图表，每天花3小时还总出错。我给她写了段20行的Python代码，现在她导入数据后点一下运行，10秒就能出表出图。其实Python没那么复杂，很多职场问题，几行代码就能解决。今天就分享3个能直接套用的实操案例，每个都附核心代码和步骤，看完就能用。
痛点
每月要核对20个部门的考勤表（含“姓名、日期、打卡时间”），手动找“迟到（早于9:00）、漏打卡”记录，3天才能做完，还容易看漏。
Python实操步骤（附核心代码）
1. 准备工具：安装Python后，用pip install pandas装数据分析库（电脑终端输入即可）。
2. 核心代码（直接复制修改路径就能用）：
import pandas as pd # 导入数据分析库
# 1. 读取所有考勤表（把20个表放同一个“考勤文件夹”里）
import os
file_path = "C:/工作文件/考勤文件夹" # 替换成你的文件夹路径
all_files = [f for f in os.listdir(file_path) if f.endswith(".xlsx")]
# 2. 批量处理每个表，标记异常记录
for file in all_files:
df = pd.read_excel(f"{file_path}/{file}") # 读取单个表
# 标记迟到（假设打卡时间列叫“打卡时间”，转成时间格式后判断）
df["打卡时间"] = pd.to_datetime(df["打卡时间"], format="%H:%M:%S", errors="coerce")
df["是否迟到"] = df["打卡时间"].apply(lambda x: "是" if x > pd.to_datetime("09:00:00") else "否")
# 标记漏打卡（空值即漏打）
df["是否漏打卡"] = df["打卡时间"].isnull.apply(lambda x: "是" if x else "否")
# 3. 保存处理后的表（加“已处理”前缀，方便区分）
df.to_excel(f"{file_path}/已处理_{file}", index=False)
print("所有考勤表处理完成！")
3. 效果：20个表5分钟处理完，异常记录自动标红（可在Excel里设置条件格式），不用再逐行核对。
痛点
想监控3家竞品的某款产品价格，每天要打开3个网站复制粘贴，手动做对比表，耗时1小时。
1. 准备工具：安装pip install requests beautifulsoup4 pandas（爬虫+分析。
2. 核心代码（以爬取公开电商商品页为例，需替换实际URL）：
import requests
from bs4 import BeautifulSoup
import pandas as pd
# 1. 定义要爬取的竞品URL（这里用示例链接，需替换成你要监控的真实商品页）
product_urls = {
"竞品A": "https://example.com/product1",
"竞品B": "https://example.com/product2",
"竞品C": "https://example.com/product3"
}
# 2. 爬取每个竞品的价格
price_data =
for name, url in product_urls.items:
response = requests.get(url) # 发送请求获取页面
soup = BeautifulSoup(response.text, "html.parser")
# 提取价格（需根据目标网站的HTML结构修改，用F12查看元素）
# 示例：假设价格在class为“price”的标签里
price = soup.find("span", class_="price").text.strip
price_data.append({"竞品名称": name, "价格": price, "日期": pd.Timestamp.now.strftime("%Y-%m-%d")})
# 3. 生成对比表并保存
df = pd.DataFrame(price_data)
df.to_excel("竞品价格对比表.xlsx", index=False)
print("竞品价格爬取完成，已保存对比表！")
3. 注意：爬取前确认网站是否允许（查看robots协议），避免频繁请求导致IP被封。
4. 效果：每天运行1次代码，自动获取最新价格并生成表格，还能加代码自动计算“价格差”“降幅”，不用再手动查。
痛点
每月要给50个客户发催款邮件，手动写主题、填“客户名称+欠款金额”，1小时才能发完，还容易写错信息。
1. 准备工具：安装pip install pandas smtplib（邮件发送库），先在邮箱设置里开启“SMTP服务”（如QQ邮箱需获取授权码）。
2. 核心代码（需替换邮箱信息）：
import pandas as pd
import smtplib
from email.mime.text import MIMEText
# 1. 读取客户欠款数据（Excel表含“客户名称、邮箱、欠款金额”）
df = pd.read_excel("客户欠款表.xlsx")
# 2. 配置邮箱信息（替换成你的发件邮箱）
smtp_server = "smtp.qq.com" # QQ邮箱SMTP服务器，其他邮箱需修改（如163是smtp.163.com）
smtp_port = 587 # 端口号
sender_email = "你的邮箱@qq.com"
sender_password = "你的邮箱授权码" # 不是登录密码，是SMTP授权码
# 3. 批量发送催款邮件
with smtplib.SMTP(smtp_server, smtp_port) as server:
server.starttls # 开启加密
server.login(sender_email, sender_password)
for _, row in df.iterrows:
# 邮件内容（动态填充客户信息）
subject = f"【催款通知】{row['客户名称']}，您有{row['欠款金额']}元待支付"
content = f"""
尊敬的{row['客户名称']}：
您好！截至今日，您尚有{row['欠款金额']}元货款未支付，请于3日内完成付款，感谢配合！
如有疑问，请随时联系我们。
"""
# 构造邮件
msg = MIMEText(content, "plain", "utf-8")
msg["Subject"] = subject
msg["From"] = sender_email
msg["To"] = row["客户邮箱"]
# 发送邮件
server.send_message(msg)
print(f"已给{row['客户名称']}发送催款邮件！")
print("所有催款邮件发送完成！")
3. 效果：50个客户的邮件5分钟发完，信息自动填充，不会出错，还能加代码记录“发送状态”，方便后续跟踪。
1. 不用死记代码：把上面的案例保存下来，根据自己的工作需求修改“文件路径、表格列名、网站标签”即可，用得多了自然就熟了。
2. 遇到报错别慌：最常见的报错是“路径错了”“库没装”，复制报错信息去百度，90%的问题都有现成答案。
其实职场里用Python，不用学复杂的算法和开发，只要解决“重复、耗时、易出错”的问题就行。上面3个案例，覆盖了行政、市场、财务的高频需求，你可以挑一个和自己工作相关的，试着跑一遍代码——会发现比想象中简单多了。
需要我针对你具体的工作场景（比如电商运营、教育机构行政），再定制一个Python实操案例吗？这样你能直接套用在日常工作里。
来源：绿叶菜