从 Excel 到 Python：运营数据分析入门
"我又不是程序员，学 Python 干嘛？"——这话我说过不下二十次。入行前五年，我一直认为 Excel 够用了，VLOOKUP、透视表、条件格式，溜得飞起。直到有一天，我需要处理一份 8 万行的物流对账单，Excel 直接卡死，保存都花了 15 分钟。那天晚上我花了两个小时学 Python 的基础语法，用 Pandas 跑了一遍数据清洗，耗时 1.7 秒。从此再也没回头。
但我今天不是来劝你转行当程序员的。我是来告诉你：运营人学 Python，不需要写复杂的算法，不需要理解面向对象编程，甚至不需要装一堆开发环境。你只需要学会 5 个操作：读数据、算数据、筛数据、分组汇总、画图表——这些用 Excel 也能做，但当数据量大了、操作重复了、流程需要自动化时，Python 的效率优势是碾压级的。
我理解的"学 Python"和你理解的不一样
大部分运营人不敢学 Python，是因为被网上那些"从入门到精通"的厚教材吓到了。我自己的学习路径完全不一样：我不学语法大全，不上培训班，不刷题库。我的策略是——"问题驱动学习"：遇到一个用 Excel 搞不定的问题，就去查用 Python 怎么做。做完了就记住，下次用同样的方法解决类似问题。
三个月下来，我学会的 Python "单词"不到 30 个（pandas 的几个核心函数），但已经能处理 90% 的数据分析需求。所以这篇文章不会教你一切，而是教你"用 Python 实现运营人最常做的 5 个数据分析动作"。
准备工作：别怕，不用装环境
传统学 Python 的第一步是装 Anaconda 配置环境——这个劝退了 80% 的人。我的建议是：用 Google Colab 或者 Deepnote 这类在线 Notebook 工具。打开浏览器、登录 Google 账号、新建一个 Notebook，就能直接写 Python 了。环境已经配好，常用的库（pandas、matplotlib）已经装上，不需要在本地装任何东西。
如果因为网络原因用不了 Colab，国内可以用阿里云的 DSW 或者和鲸社区的在线 Notebook，同样不需要本地配置。等你真的决定要把 Python 融入日常工作流了，再考虑在本地装环境。
操作一：读取 Excel 文件——比 Excel 打开还快
这是最基础也最实用的操作。在 Python 里读 Excel 只需要两行代码：
import pandas as pd
运行之后，整个 Excel 文件就加载到了一个叫"DataFrame"的数据结构中。你可以用 df.head() 看前 5 行确认数据正确，用 df.info() 查看每列的数据类型和缺失值，用 df.shape 看有多少行多少列。整个加载过程大概 1-2 秒——即使文件有 10 万行。当你打开一个超大 Excel 要等半分钟的时候，就会觉得这个操作值得学。
操作二：数据筛选——替代 Excel 的筛选器
运营人最常做的事是筛选数据：找出所有"延误"的订单、找出"本月"的所有记录、找出"金额大于 1 万"的采购单。在 Excel 里需要下拉筛选菜单，点来点去。Python 里的写法更直观：
delay_orders = df[df['订单状态'] == '延误']
这几行代码的语义很清晰："从 df 中选出满足某些条件的行"。条件可以叠加（用 & 或 | 连接），可以取反（用 !=），可以模糊匹配（用 str.contains()）。而且筛选结果就是一个新的 DataFrame，可以直接继续做其他操作。
操作三：分组汇总——Excel 透视表的核心能力
Excel 透视表虽然好用，但当数据源变化时，你需要手动刷新透视表，而且透视表的布局调整也比较耗时。Python 的 groupby 函数做分组汇总更加灵活和可重复：
summary = df.groupby('供应商')['金额'].agg(['sum', 'mean', 'count'])
这行代码的含义：按"供应商"分组，计算每个供应商的"金额"总额、平均值和记录条数。结果是一个新表格，供应商是索引列，三个统计值是数据列。如果你要按多个维度分组（比如按"供应商"和"月份"两个维度），在 groupby 里传入列表即可。
更关键的是：这段代码可以保存为一个脚本，下个月数据更新后，只需要改一下文件名，重新运行就能得到新的汇总结果。不需要手动画透视表，不需要担心数据范围有没有包含新行。
操作四：数据合并——替代 VLOOKUP
VLOOKUP 是 Excel 里让人又爱又恨的函数——参数顺序记不住，查找列必须是第一列，近似匹配和精确匹配搞混了容易出大错。Python 的 merge 函数做的是"数据库级别的 JOIN"，更好理解：
merged_df = pd.merge(订单表, 供应商表, on='供应商编号', how='left')
含义：以"供应商编号"为匹配键，将"订单表"和"供应商表"合并起来，采用"左连接"（以订单表为主，保留订单表的所有行）。结果是一个新表格，左边是订单信息，右边拼接了供应商信息。merge 支持的连接方式有 inner（内连接）、left（左连接）、right（右连接）、outer（外连接），和数据库的 JOIN 完全对应。
操作五：简单可视化——用代码画图
运营汇报离不开图表。Python 的 matplotlib 和 seaborn 库可以画出专业的统计图表。最重要的是：数据一旦更新，重新运行代码就能得到最新的图表，不需要手动调整。
import matplotlib.pyplot as plt
以上代码画了一个折线图，横轴是月份、纵轴是订单量。换一种图表类型只需要修改 kind 参数：'bar' 是柱状图、'pie' 是饼图、'hist' 是直方图。再加两行代码就能调整颜色、标签、字号，做出可以直接放进周报的图表。
学习路径建议：别贪多，先用起来
如果你是零基础，给自己一个月时间，按以下节奏学习：
第一周：装好环境（建议用 Colab），学会读取 Excel 文件和查看数据的基本操作（head, info, describe）。不用理解原理，先跑通再说。
第二周：学会筛选和排序，找一份你自己的运营数据（比如过去三个月的订单记录），练习筛选各种条件。只要你能用 Python 筛出"上周延误交货的供应商"，就算过关。
第三周：学会分组汇总，尝试用 groupby 替代透视表。把你的月报数据用 Python 跑一遍，对比和 Excel 的结果是否一致。
第四周：学会 merge 合并和简单的图表绘制。把合并后的数据和图表整合到一个完整的分析脚本中。
四周末，你大概已经能独立完成 80% 的常规数据分析工作。剩下 20% 的需求，你可以在遇到的时候 Google 查——记住，运营人学 Python 的目标不是成为程序员，而是"让数据处理不再成为瓶颈"。
BTW，如果你已经在用 Python 做运营分析了，欢迎在评论区分享你的"杀手级脚本"——就是那个让你觉得"学 Python 太值了"的具体案例。我会整理成合集分享给大家。
