使用openpyxl操作excel图表需先准备数据并写入工作表；2. 创建图表对象（如barchart）并设置类型、标题、轴标签等属性；3. 通过reference定义数据范围和类别，并用add_data或series方式添加数据系列；4. 自定义图表样式、尺寸、位置、图例、数据标签等属性；5. 将图表添加到指定单元格并保存文件。openpyxl支持柱状图、折线图、饼图等多种常见图表类型，适合自动化生成标准化报表，但在修改复杂图表、精细视觉控制和高级功能（如次坐标轴）方面存在局限，更适合从零构建而非精细编辑。
Python操作Excel图表，主要通过
openpyxl库来完成。它并非一个所见即所得的图表编辑器，更像是一个“构建器”——你通过代码定义图表的类型、数据来源、样式和位置，然后
openpyxl会将这些指令写入Excel文件，最终由Excel应用程序负责渲染。核心思路是，我们用代码告诉Excel“这里有一堆数据，请你用这种方式把它画成图”。
解决方案
要用
openpyxl来创建和操作Excel图表，通常需要以下几个步骤。这不是一个线性的“首先、其次”过程，更像是构建一个乐高模型，你可以先搭主体，再加细节，或者反过来。
首先，你得有数据。图表是数据的可视化，所以得在工作表中填入一些数据，作为图表的源。
立即学习“Python免费学习笔记（深入）”；
from openpyxl import Workbook
from openpyxl.chart import BarChart, Reference, Series
from openpyxl.chart.label import DataLabelList
# 创建一个新的工作簿和工作表
wb = Workbook()
ws = wb.active
ws.title = "销售数据分析"
# 准备一些数据，图表会用到这些
data = [
["产品", "2022年销量", "2023年销量"],
["A", 100, 120],
["B", 150, 140],
["C", 90, 110],
["D", 200, 180],
["E", 130, 150],
]
for row_data in data:
ws.append(row_data)
# 创建一个柱状图对象
chart = BarChart()
chart.type = "col" # 可以是 'col' (柱状), 'bar' (条形)
chart.style = 10 # 选择一个图表样式，数字越大样式越复杂或颜色越丰富
chart.title = "产品年度销售对比"
chart.y_axis.title = "销量 (单位: 件)"
chart.x_axis.title = "产品类型"
# 定义图表的数据范围。Reference 是 openpyxl 处理数据源的关键。
# 第一个 Reference 是类别标签（产品A, B, C...）
# 第二个 Reference 是数据系列（2022年销量, 2023年销量）
# 这里的 min_row=2 是因为第一行是标题，数据从第二行开始
# max_row=ws.max_row 是因为数据到工作表的最后一行
# min_col=2, max_col=3 是因为销量数据在第2列和第3列
categories = Reference(ws, min_col=1, min_row=2, max_row=ws.max_row)
data_ref = Reference(ws, min_col=2, min_row=1, max_col=3, max_row=ws.max_row)
# 将数据添加到图表中
# from_rows=True 表示数据是按行排列的，即每行是一个数据系列
# 这通常用于多系列图表，如果每个系列是列，则不需要这个参数
chart.add_data(data_ref, titles_from_data=True) # titles_from_data=True 表示第一行作为系列名称
chart.set_categories(categories)
# 调整图表大小和位置
chart.width = 15 # 宽度
chart.height = 8 # 高度
# 添加数据标签
# chart.dataLabels = DataLabelList()
# chart.dataLabels.showVal = True # 显示值
# chart.dataLabels.showCatName = True # 显示类别名称
# 将图表添加到工作表中的指定位置（例如从A10单元格开始）
ws.add_chart(chart, "A10")
# 保存工作簿
wb.save("产品销售图表.xlsx")
print("Excel文件已生成，包含产品销售图表。")这段代码展示了一个基本的柱状图创建流程。你会发现，
openpyxl在操作图表时，更侧重于数据源的绑定和基本属性的设置，而非精细到每个像素的视觉调整。
openpyxl支持哪些常见的Excel图表类型？如何选择合适的图表？
openpyxl对Excel中的图表支持还是比较全面的，常见的图表类型基本都能搞定。你可以通过导入不同的图表类来使用它们，比如
BarChart(柱状图/条形图),
LineChart(折线图),
ScatterChart(散点图),
PieChart(饼图),
AreaChart(面积图), 甚至还有
BubbleChart(气泡图) 和
StockChart(股票图)。
选择合适的图表，这其实是个数据可视化的问题，比敲代码复杂多了。我个人觉得，很多人在做数据分析的时候，图表选择上容易犯迷糊，总想着“把所有数据都画出来”。但图表的目的是讲故事，传递信息，不是堆砌数据。
- 柱状图/条形图 (BarChart)：非常适合比较不同类别之间的数据大小。比如不同产品的销量、不同地区的营收。如果你想看“谁更高”，用它准没错。
- 折线图 (LineChart)：看趋势的最佳选择。时间序列数据，比如股票价格波动、月度销售额变化，用折线图能清晰地展现上升、下降或平稳的趋势。
- 散点图 (ScatterChart)：当你需要探索两个数值变量之间的关系时，散点图是首选。比如广告投入和销售额之间有没有关联，身高和体重是不是正相关。它能帮你发现潜在的模式或异常点。
- 饼图 (PieChart)：表示“部分与整体”的关系。比如市场份额、各项开支占比。但要注意，饼图的扇区不宜过多，超过5-7个就很难分辨了，而且比较不同扇区的大小，人眼不如柱状图敏感。我通常会避免用饼图，除非占比非常清晰且数量少。
- 面积图 (AreaChart)：和折线图类似，但通过填充折线下的区域来强调数量或累积值。可以用来展示不同类别随时间变化的贡献，例如不同产品线的累积销售额。
最终，选择图表就像选择合适的词语来表达一个想法。你得先清楚你想表达什么，然后才去选那个最能传达意思的“词语”——也就是图表。有时候，一个简单的表格，配合一些条件格式，比任何图表都更能直观地展现数据。
在openpyxl中，如何为图表添加数据系列和自定义图表属性？
在
openpyxl里，数据系列（Data Series）是图表的灵魂，它告诉图表“你要画什么数据”。自定义图表属性则是给这个灵魂穿上漂亮的衣服，让它看起来更专业、更易懂。
添加数据系列： 核心是
Reference对象和
chart.add_data()方法。
Reference定义了数据在工作表中的位置。它需要四个参数：
sheet(哪个工作表),
min_col,
min_row,
max_col,
max_row。你可以把它想象成在Excel里用鼠标拖选一个区域。
from openpyxl.chart import Reference, Series # 假设ws是你的工作表 # 这是一个单系列数据的例子，比如只画2022年销量 values = Reference(ws, min_col=2, min_row=2, max_col=2, max_row=ws.max_row) # categories = Reference(ws, min_col=1, min_row=2, max_row=ws.max_row) # 类别通常是X轴标签 # 创建一个 Series 对象，这更精细地定义了一个数据系列 # values: 数据值，可以是 Reference 或直接的列表 # xvalues: X轴的值，通常是类别，也是 Reference # title: 系列名称，会显示在图例中 series = Series(values, xvalues=categories, title="2022年销量") chart.series.append(series) # 将系列添加到图表中
如果你有多个系列，比如前面例子中的2022和2023年销量，最简单的方法是
chart.add_data(data_ref, titles_from_data=True)，它会自动根据
data_ref范围内的第一行或第一列来识别多个系列。如果你需要更精细地控制每个系列（比如给每个系列设置不同的颜色或标记），那么手动创建
Series对象并逐个
append会更灵活。
自定义图表属性：
openpyxl的图表对象有很多属性可以直接设置，这些属性对应着Excel图表中的各种选项。
-
标题：
chart.title = "我的图表标题"
-
轴标题：
chart.x_axis.title = "X轴名称"
,chart.y_axis.title = "Y轴名称"
-
尺寸和位置：
chart.width = 15
(单位是Excel列宽),chart.height = 8
(单位是Excel行高)。然后通过ws.add_chart(chart, "A10")
来决定图表在工作表中的左上角位置。 -
样式：
chart.style = 10
。openpyxl
提供了一些预定义的样式，你可以尝试不同的数字看看效果。 -
图例：
chart.legend.position = 'r'
(右侧),'l'
(左侧),'t'
(顶部),'b'
(底部)。你也可以设置chart.legend.delete = True
来隐藏图例。 -
数据标签： 这是个稍微复杂一点的，需要导入
DataLabelList
。from openpyxl.chart.label import DataLabelList chart.dataLabels = DataLabelList() chart.dataLabels.showVal = True # 显示值 chart.dataLabels.showCatName = True # 显示类别名称 # 还可以设置 showLegendKey, showPct, showSerName 等
-
轴刻度： 比如设置Y轴的最大最小值：
chart.y_axis.scaling.min = 0
chart.y_axis.scaling.max = 200
chart.y_axis.majorGridlines = None
# 隐藏主要网格线
通过组合这些属性，你几乎可以控制图表的大部分视觉呈现。不过，有些非常细致的、Excel特有的格式（比如某个数据点的特定颜色、复杂的渐变背景）可能就超出了
openpyxl的直接控制范围了，那可能就需要手动调整或者寻找其他更底层的XML操作方法了。但对于自动化报告来说，这些功能已经绰绰有余。
使用openpyxl操作图表时，有哪些常见挑战和局限性？
尽管
openpyxl在处理Excel文件方面非常强大，但在操作图表时，确实会遇到一些挑战和局限性，这很大程度上取决于你对“操作”的定义。如果你想的是像在Excel里那样拖拽、点击、精细调整每个细节，那
openpyxl可能不是你想象中的那个工具。
首先，一个比较大的挑战是对现有复杂图表的修改。
openpyxl更擅长的是从零开始创建图表，或者更新现有图表的数据源。如果你有一个手动创建的、非常复杂的Excel图表，里面包含了各种自定义的形状、文本框、特定颜色、趋势线等等，然后你想用
openpyxl去精确地修改其中的某个元素（比如只改变其中一根柱子的颜色，或者调整某个文本框的位置），这几乎是不可能直接做到的。
openpyxl抽象了底层的XML结构，但它没有提供一个完整的、像Excel UI那样精细的API来访问和修改每一个图表组件的属性。它能做的更多是宏观层面的控制，比如改变图表类型、标题、轴标签、数据源、整体样式等。
其次，高级图表功能的支持有限。例如，创建带有次坐标轴（secondary axis）的复杂组合图表，或者需要非常特定、非标准的误差线、数据点标签格式，甚至是动态的图表标题（标题内容随某个单元格变化），这些在
openpyxl中实现起来会非常困难，甚至无法实现。有些功能可能需要你手动编辑生成的Excel文件，或者寻找其他更低层级的库（比如直接操作OOXML）。
再者，视觉保真度问题。你用
openpyxl创建的图表，其默认样式和Excel手动创建的图表可能存在细微差异。这通常不是大问题，但如果你对最终的视觉效果有像素级的要求，可能需要更多的尝试和调整，或者接受一些不一致。
openpyxl的样式系统是基于Excel内置的样式ID，而不是完全自由的RGB颜色或字体选择。
还有，调试起来不那么直观。当你的图表没有按预期显示，或者数据映射有问题时，
openpyxl不会给你实时的视觉反馈。你必须保存文件，然后用Excel打开它才能看到效果。这使得调试过程相对繁琐，尤其是当涉及到复杂的
Reference定义或多个数据系列时。
最后，学习曲线。理解
Reference对象的工作方式，以及各种图表属性的层级关系（比如
chart.x_axis.title而不是
chart.x_title），需要一些时间去熟悉。它不像一些高级绘图库（如
matplotlib或
seaborn）那样，提供了非常直观和灵活的API来直接操作图形元素。
openpyxl更多的是遵循Excel的内部模型来构建文件。
总的来说，
openpyxl在自动化生成标准化的、数据驱动的Excel报告时表现出色。它非常适合那些需要批量生成图表，且图表类型和样式相对固定的场景。但如果你需要一个功能全面的、能够精细控制每个视觉细节的“图表编辑器”，或者需要修改大量现有复杂图表，那么它可能不是最理想的选择，你可能需要考虑其他工具或手工操作。
