你提供的数据是一个典型的 **Excel 表格片段（CSV 风格）**，结构如下： - 第 1 行：表头（`TIME` + 多个 `X_...` 列） - 第 2 行起：采样数据（`%CPU` 值，数值型） ✅ 你的需求是： > **用 Python 脚本读取 Excel 文件 → 对除第 1 列（`TIME`）外的所有数值列，计算：** > - ✅ **最大值（Max）→ 写入第 1 行（即原表头的上一行，成为新表头上方的“Max 行”）** > - ✅ **平均值（Mean）→ 写入第 2 行（即 Max 行下方，成为“Mean 行”）** > - ✅ 原始数据从第 3 行开始（原第 2 行变成第 3 行） > - ✅ 保留 `TIME` 列不变（不参与统计，但位置保留） ⚠️ 注意：Excel 中「插入行到顶部」会改变行列索引，而 `pandas` 默认不支持「在 DataFrame 顶部插入行并保持列对齐」的原生操作。所以我们采用 **构造新 DataFrame** 的稳健方式： 👉 先计算统计值 → 构造 `max_row` 和 `mean_row` → 拼接 `[max_row, mean_row, original_df]` --- ### ✅ 完整可运行 Python 脚本（使用 `pandas` + `openpyxl` 保存带格式的 Excel） ```python #!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Excel 处理脚本：为所有数值列（除 TIME 外）添加 Max 和 Mean 行到顶部。 输入：progress_info.xlsx（含表头 + 数据） 输出：progress_info_with_stats.xlsx（新增两行：第0行=Max，第1行=Mean） 依赖：pip install pandas openpyxl """ import pandas as pd import numpy as np # 🔧 配置 INPUT_XLSX = "progress_info.xlsx" # ← 替换为你的真实文件名 OUTPUT_XLSX = "progress_info_with_stats.xlsx" # 📥 1. 读取 Excel（自动识别表头，跳过空行） df = pd.read_excel(INPUT_XLSX, dtype=str) # 先全读为字符串，避免日期/数字类型误判 if df.empty: raise ValueError("❌ 输入 Excel 文件为空！") # 🧹 2. 清洗：确保第一列是 'TIME'，其余为数值列 if df.columns[0] != "TIME": raise ValueError("❌ 第一列必须是 'TIME'，当前为: '{}'".format(df.columns[0])) # 将除 TIME 外的所有列转为 float；失败则设为 NaN（后续 dropna 或 fill） numeric_cols = df.columns[1:].tolist() df_numeric = df[["TIME"] + numeric_cols].copy() # 逐列转换（容错：非数字转 NaN） for col in numeric_cols: df_numeric[col] = pd.to_numeric(df_numeric[col], errors='coerce') # 📊 3. 计算 Max 和 Mean（忽略 NaN） max_series = df_numeric[numeric_cols].max(axis=0, skipna=True) mean_series = df_numeric[numeric_cols].mean(axis=0, skipna=True) # ✅ 构造 Max 行（第0行）：['MAX', max_val1, max_val2, ...] max_row = ["MAX"] + [round(v, 2) if not pd.isna(v) else "N/A" for v in max_series] # ✅ 构造 Mean 行（第1行）：['MEAN', mean_val1, mean_val2, ...] mean_row = ["MEAN"] + [round(v, 2) if not pd.isna(v) else "N/A" for v in mean_series] # 🧱 4. 构建新 DataFrame：[max_row, mean_row, original_data] # → 先转为 DataFrame，再拼接 header_row = ["TIME"] + numeric_cols # 原表头（用于对齐） max_df = pd.DataFrame([max_row], columns=header_row) mean_df = pd.DataFrame([mean_row], columns=header_row) # 原始数据（已转 numeric，但 TIME 仍为 str） df_final = pd.concat([max_df, mean_df, df_numeric], ignore_index=True) # ✅ 5. 保存为 Excel（保留原始格式？→ openpyxl 支持样式，但此处仅保值） df_final.to_excel(OUTPUT_XLSX, index=False) print(f"✅ 成功处理！") print(f" 输入: {INPUT_XLSX}") print(f" 输出: {OUTPUT_XLSX}") print(f" 数值列数: {len(numeric_cols)} → 已计算 Max & Mean") print(f" Max 行: {max_row[:5]}{'...' if len(max_row)>5 else ''}") print(f" Mean 行: {mean_row[:5]}{'...' if len(mean_row)>5 else ''}") ``` --- ### ✅ 运行前准备（必做！） ```bash pip install pandas openpyxl ``` > ✅ `openpyxl` 是写 `.xlsx` 的引擎（`pandas.to_excel(..., engine='openpyxl')` 默认启用） --- ### ✅ 示例输入（`progress_info.xlsx`）： | TIME | X_15488_com.didi... | X_1200_vendor.qti... | X_1322_0.2 | ... | |----------------------|---------------------|------------------------|------------|-----| | 2026-04-23 15:21:58 | 70.3 | 44.4 | 29.6 | ... | | 2026-04-23 15:22:04 | 64.2 | 39.2 | 28.5 | ... | | 2026-04-23 15:22:09 | 78.5 | 39.2 | 35.7 | ... | | 2026-04-23 15:22:14 | 117.0 | 39.2 | 28.5 | ... | ### ✅ 示例输出（`progress_info_with_stats.xlsx`）： | TIME | X_15488_com.didi... | X_1200_vendor.qti... | X_1322_0.2 | ... | |------|---------------------|------------------------|------------|-----| | MAX | 117.0 | 44.4 | 35.7 | ... | | MEAN | 82.5 | 40.5 | 30.58 | ... | | 2026-04-23 15:21:58 | 70.3 | 44.4 | 29.6 | ... | | 2026-04-23 15:22:04 | 64.2 | 39.2 | 28.5 | ... | | ... | ... | ... | ... | ... | > ✅ 所有数值均保留 2 位小数（`round(v,2)`），`NaN` 显示为 `"N/A"`（防 Excel 报错） --- ### ✅ 进阶增强（可选添加） 如需以下功能，我可立即为你扩展： - 🔹 自动识别 `TIME` 列（不强制首列，支持任意位置） - 🔹 用 `openpyxl` 设置 Max 行为 **加粗+黄底**、Mean 行为 **加粗+蓝底** - 🔹 跳过含 `X_` 前缀但实际为 0 的列（如 `X_618_0.0` 全 0 → 不统计） - 🔹 导出为 CSV（兼容性更强） 只需告诉我 👇 ---