非常好的观察！你指出： > **`target_cols` 从 1 开始** 这非常关键 —— 因为在实际 Excel 用户视角中，列是用字母（A、B、C…）或序号（第1列、第2列…）描述的，**人类习惯“第1列 = A列”**，而我们之前代码中 `target_cols=[1, 3, 4]` 是按 **0-based 索引（Python 列表索引）** 写的，即对应 Excel 的 **B列、D列、E列**（因为 A=0, B=1, C=2, D=3, E=4），这容易造成混淆和误配！ ✅ 正确做法：**让 `target_cols` 参数语义与用户直觉一致 —— 即 `1` 表示第1列（A列）、`2` 表示第2列（B列）……完全 1-based。** 然后在内部自动转为 0-based 索引用于 pandas DataFrame 操作。 --- ### ✅ 修改方案：仅需两处改动（清晰、安全、向后兼容） #### ✅ 修改 1：`apply_conditional_formatting()` 函数签名 & 内部转换 ```python def apply_conditional_formatting( file_a="A.xlsx", file_b="B.xlsx", output_file="B_formatted.xlsx", target_cols=None, # 👈 用户传入：[1, 4, 5] 表示 A列、D列、E列（1-based！） keywords=("RXX", "RBX", "RBXS", "RXL", "SNX", "SNXS", "QRW", "QRB") ): if target_cols is None: target_cols = [1, 4, 5] # 👈 示例：A列、D列、E列（1-based） # ✅ 关键修复：将用户传入的 1-based 列号 → 转为 0-based 索引（供 pandas 使用） # 同时做合法性校验 n_cols = pd.read_excel(file_a, nrows=0).shape[1] # 仅读列名，获取总列数 target_cols_0based = [] for col in target_cols: if not isinstance(col, (int, np.integer)) or col < 1 or col > n_cols: raise ValueError(f"❌ target_cols 包含非法列号 {col}：应为 1~{n_cols} 之间的整数") target_cols_0based.append(col - 1) # ✅ 1→0, 2→1, ..., n→n-1 # 后续所有逻辑使用 target_cols_0based（0-based 列索引） # ...（其余代码不变，只把原 target_cols 替换为 target_cols_0based） ``` #### ✅ 修改 2：在循环判断中使用 `target_cols_0based` 找到原代码中这一行： ```python is_in_target_col = c in target_cols # ❌ 原写法（c 是 0-based，但 target_cols 是 1-based → 永远不匹配！） ``` ✅ 替换为： ```python is_in_target_col = c in target_cols_0based # ✅ 正确：c 是 0-based，target_cols_0based 也是 0-based ``` --- ### ✅ 完整修复后的 `apply_conditional_formatting()`（精简版，仅展示修改部分） ```python def apply_conditional_formatting( file_a="A.xlsx", file_b="B.xlsx", output_file="B_formatted.xlsx", target_cols=None, keywords=("RXX", "RBX", "RBXS", "RXL", "SNX", "SNXS", "QRW", "QRB") ): # ✅ Step 0: 解析并校验 target_cols（1-based → 0-based） if target_cols is None: target_cols = [1, 4, 5] # 👈 用户语义：第1列（A）、第4列（D）、第5列（E） # 读取 A 表列数（不加载数据，仅 header） n_cols = pd.read_excel(file_a, nrows=0).shape[1] target_cols_0based = [] for col in target_cols: if not isinstance(col, (int, np.integer)) or col < 1 or col > n_cols: raise ValueError(f"❌ target_cols 中列号 {col} 超出范围（1~{n_cols}）") target_cols_0based.append(col - 1) # ✅ Step 1: 读取数据（同前） df_a = pd.read_excel(file_a, header=0, dtype=str).fillna("") df_b = pd.read_excel(file_b, header=0, dtype=object) assert df_a.shape == df_b.shape, f"❌ 尺寸不匹配：A{df_a.shape} vs B{df_b.shape}" # ✅ Step 2: openpyxl 加载 B.xlsx wb = load_workbook(file_b) ws = wb.active # ✅ Step 3: 预定义样式 red_fill = PatternFill(start_color="FFFF0000", end_color="FFFF0000", fill_type="solid") green_fill = PatternFill(start_color="FF00FF00", end_color="FF00FF00", fill_type="solid") # ✅ Step 4: 遍历每个数据单元格（跳过 header 行） n_rows, n_cols_df = df_a.shape for r in range(n_rows): for c in range(n_cols_df): # c 是 0-based 列索引 excel_row = r + 2 excel_col = c + 1 cell = ws.cell(row=excel_row, column=excel_col) a_val = str(df_a.iloc[r, c]).strip().upper() b_val = df_b.iloc[r, c] # 🔹 Rule 1: A是关键词 & B>0 → 标红 is_keyword = a_val in keywords is_b_positive_numeric = pd.api.types.is_number(b_val) and b_val > 0 if is_keyword and is_b_positive_numeric: cell.fill = red_fill continue # 🔹 Rule 2: 在 target_cols（1-based 用户输入）中 & A不是关键词 & B无数值 → 标绿 is_in_target_col = c in target_cols_0based # ✅ 关键：用转换后的 0-based 列表 is_a_not_keyword = a_val not in keywords is_b_no_numeric = not pd.api.types.is_number(b_val) or pd.isna(b_val) or b_val == "" if is_in_target_col and is_a_not_keyword and is_b_no_numeric: cell.fill = green_fill wb.save(output_file) print(f"✅ 条件格式已应用，结果保存至：{output_file}") ``` --- ### ✅ 使用示例（用户友好！） ```python # ✅ 用户现在可以自然地写： apply_conditional_formatting( target_cols=[1, 4, 5], # ← 第1列（A）、第4列（D）、第5列（E） file_a="A.xlsx", file_b="B.xlsx", output_file="B_formatted.xlsx" ) ``` 无需再心算 `0` 和 `1` 的偏移 —— 所有列号都按 Excel 界面显示的 **“第N列”** 理解。 --- ### ✅ 额外增强：支持列字母输入（如 `["A", "D", "E"]`）？ 如果你希望更进一步支持 Excel 风格的列字母（如 `"A"`、`"D"`），也可以扩展（需调用 `openpyxl.utils.column_index_from_string("A")`），但当前 1-based 数字已是最简洁、最通用、最不易出错的设计。 --- ✅ 总结：只需按上述两处修改（参数语义统一为 1-based + 内部转 0-based + 校验），即可彻底解决「用户以为填的是第1列，结果程序当成第0列」的认知错位问题，大幅提升可用性与鲁棒性。 需要我为你生成一个 **完整可运行的、带全部修复（生成+处理+1-based列支持）的单文件 `.py` 脚本** 吗？我可以立即输出。