在使用 Python 将大量数据写入 Excel 时，性能优化是一个关键问题。以下是一些有效的方法来减少耗时，提高写入效率。 ### 使用 `xlsxwriter` 替代 `openpyxl` `openpyxl` 是一个功能强大的库，但在写入大量数据时效率较低。相比之下，`xlsxwriter` 是专门为写入大量数据而设计的库，性能显著优于 `openpyxl`。可以使用以下代码示例进行快速写入： ```python import xlsxwriter import time # 示例数据 data = [[f"row_{i}_col_{j}" for j in range(100)] for i in range(80000)] start_time = time.time() workbook = xlsxwriter.Workbook('output.xlsx') worksheet = workbook.add_worksheet() for row_num, row_data in enumerate(data): worksheet.write_row(row_num, 0, row_data) workbook.close() end_time = time.time() print(f"耗时: {end_time - start_time} 秒") ``` ### 使用 `pandas` 的 `to_excel` 方法 `pandas` 提供了高效的 `to_excel` 方法，支持批量写入数据。通过设置 `engine='xlsxwriter'`，可以进一步提升写入速度： ```python import pandas as pd import time # 示例数据 data = pd.DataFrame({f"col_{i}": [f"row_{j}_col_{i}" for j in range(80000)] for i in range(100)}) start_time = time.time() data.to_excel("output.xlsx", index=False, engine='xlsxwriter') end_time = time.time() print(f"耗时: {end_time - start_time} 秒") ``` ### 批量写入数据 避免逐行写入数据，可以使用批量写入的方式一次性写入多行数据。`xlsxwriter` 提供了 `write_row` 和 `write_column` 方法，可以显著提高写入速度。 ### 使用 `csv` 格式替代 Excel 如果不需要复杂的 Excel 格式，可以考虑将数据写入 CSV 文件。`csv` 模块或 `pandas` 的 `to_csv` 方法比写入 Excel 文件快得多： ```python import pandas as pd import time # 示例数据 data = pd.DataFrame({f"col_{i}": [f"row_{j}_col_{i}" for j in range(80000)] for i in range(100)}) start_time = time.time() data.to_csv("output.csv", index=False) end_time = time.time() print(f"耗时: {end_time - start_time} 秒") ``` ### 使用数据库导出功能 如果数据来源于数据库，可以直接使用数据库的导出功能，例如 MySQL 的 `SELECT INTO OUTFILE` 或 PostgreSQL 的 `COPY` 命令，将数据直接导出为 CSV 文件，然后再转换为 Excel 文件。 ### 使用多线程或异步处理 对于非常大的数据集，可以考虑使用多线程或异步处理来并行写入数据。Python 的 `concurrent.futures` 模块提供了简单的多线程或多进程支持。 ### 总结 通过选择合适的库、批量写入数据、使用更高效的文件格式以及利用多线程或异步处理，可以显著提高 Python 写入大量数据到 Excel 的性能。根据具体需求和数据特点，选择最适合的方法进行优化。