Генерация отчёта в Python: от DataFrame до готового Excel

К концу этого разбора у вас будет скрипт, который читает CSV с продажами, считает итоги по менеджерам и месяцам и складывает результат в Excel-файл с двумя листами: сводкой и детализацией. Заголовки будут выделены жирным, ширина колонок подстроится под содержимое, а суммы отформатируются как рубли. На всё уйдёт минут двадцать, если Python уже установлен.

Пример разбирается на pandas 2.x и openpyxl 3.1.x. Я не беру тяжёлые генераторы вроде отчётов по шаблону Word или PDF — это другая история. Здесь только табличный отчёт в Excel, потому что именно его чаще всего просят «сделать красиво и прислать бухгалтеру».

Что нужно до начала

Перед первой строкой кода убедитесь, что на месте всё из списка. Иначе половина шагов упадёт с ошибкой импорта или чтения файла.

• Python 3.10 или новее — проверьте командой python --version.
• Установленные библиотеки: pip install pandas openpyxl. Pandas сам по себе умеет писать в Excel, но движок для .xlsx ему даёт именно openpyxl.
• Исходный файл sales.csv в той же папке, что и скрипт. Кодировка — UTF-8, разделитель — запятая.

Для примера возьмём CSV с четырьмя колонками: date (дата в формате YYYY-MM-DD), manager (имя менеджера), product (товар), amount (сумма сделки, число). Если у вас точка с запятой вместо запятой — это частый случай выгрузок из русского Excel, — разделитель поменяем на шаге 2.

Шаг 1. Читаем данные и смотрим, что пришло

Первым делом загрузите CSV и посмотрите на него глазами. Половина проблем с отчётами — это не код, а грязные данные: пустые суммы, даты строками, лишние пробелы в именах.

# report.py — pandas 2.x
import pandas as pd

# читаем исходный файл
df = pd.read_csv("sales.csv")

# смотрим первые строки и типы колонок
print(df.head())
print(df.dtypes)

Запустите python report.py. В консоли должны появиться пять строк таблицы и список колонок с типами. Убедитесь, что amount имеет тип int64 или float64, а не object — если тип object, значит, в суммах затесался текст или пустые значения.

Шаг 2. Готовим данные

Приведём дату к datetime, вычислим месяц и уберём строки без суммы. Если разделитель в вашем файле — точка с запятой, добавьте параметр sep=";" в read_csv.

import pandas as pd

df = pd.read_csv("sales.csv")

# дата из строки в настоящую дату; ошибочные значения станут NaT
df["date"] = pd.to_datetime(df["date"], errors="coerce")

# сумму приводим к числу; нечисловое станет NaN
df["amount"] = pd.to_numeric(df["amount"], errors="coerce")

# выкидываем строки без даты или без суммы
df = df.dropna(subset=["date", "amount"])

# колонка с месяцем в виде 2024-01
df["month"] = df["date"].dt.to_period("M").astype(str)

print(f"Строк после очистки: {len(df)}")

После запуска в консоли появится число строк. Если оно резко меньше исходного — значит, много данных отсеялось из-за кривых дат или сумм. Это сигнал вернуться к исходнику, а не молча идти дальше.

Шаг 3. Считаем сводку

Соберём две сводные таблицы: сумма продаж по менеджерам и сумма по месяцам. Метод groupby группирует строки, agg считает по группам.

# сумма и количество сделок по каждому менеджеру
by_manager = (
    df.groupby("manager")
    .agg(total=("amount", "sum"), deals=("amount", "count"))
    .reset_index()
    .sort_values("total", ascending=False)
)

# сумма по месяцам
by_month = (
    df.groupby("month")
    .agg(total=("amount", "sum"))
    .reset_index()
)

print(by_manager)
print(by_month)

reset_index() здесь важен: без него имя менеджера станет индексом, а не обычной колонкой, и в Excel оно окажется не там, где вы ждёте. В консоли вы увидите обе таблицы — проверьте, что суммы выглядят правдоподобно.

Отчёт, который никто не перепроверил глазами перед отправкой, — это генератор ошибок с красивым форматированием. Сначала убедитесь, что цифры сходятся, и только потом наводите красоту.

Шаг 4. Пишем в Excel с двумя листами

Здесь пригодится ExcelWriter. Один контекст-менеджер — один файл, внутри можно писать несколько листов, указывая имя в sheet_name.

with pd.ExcelWriter("report.xlsx", engine="openpyxl") as writer:
    by_manager.to_excel(writer, sheet_name="Сводка", index=False)
    by_month.to_excel(writer, sheet_name="По месяцам", index=False)
    # исходные очищенные данные на отдельный лист
    df.to_excel(writer, sheet_name="Детализация", index=False)

print("Файл report.xlsx готов")

Параметр index=False убирает лишнюю колонку с номерами строк — без него в первом столбце Excel появятся 0, 1, 2 и так далее. После запуска в папке появится report.xlsx. Откройте его: три листа, данные на местах, но всё выглядит уныло — колонки узкие, заголовки не выделены. Это чиним дальше.

Шаг 5. Форматируем: ширина колонок и жирные заголовки

Красоту наводим уже через openpyxl, обращаясь к книге после записи. pandas сам форматированием ячеек почти не занимается, поэтому берём объект книги из writer.

from openpyxl.styles import Font
from openpyxl.utils import get_column_letter

with pd.ExcelWriter("report.xlsx", engine="openpyxl") as writer:
    by_manager.to_excel(writer, sheet_name="Сводка", index=False)
    by_month.to_excel(writer, sheet_name="По месяцам", index=False)
    df.to_excel(writer, sheet_name="Детализация", index=False)

    # проходим по всем листам книги
    for sheet in writer.book.worksheets:
        # жирный шрифт для первой строки — заголовков
        for cell in sheet[1]:
            cell.font = Font(bold=True)

        # автоширина по самому длинному значению в колонке
        for column_cells in sheet.columns:
            max_length = max(
                len(str(cell.value)) if cell.value is not None else 0
                for cell in column_cells
            )
            letter = get_column_letter(column_cells[0].column)
            sheet.column_dimensions[letter].width = max_length + 2

print("Файл report.xlsx отформатирован")

Обратите внимание: форматирование стоит внутри того же блока with, что и запись, — иначе изменения не попадут в файл. Откройте результат: заголовки жирные, колонки подстроены под содержимое. Плюс два символа в ширине — это запас, чтобы текст не упирался в границу ячейки.

Если не получилось

Пять ошибок, на которые чаще всего натыкаются при первом запуске.

1. ModuleNotFoundError: No module named 'openpyxl' — движок для xlsx не установлен. Выполните pip install openpyxl. Ошибка про pandas лечится так же.
2. UnicodeDecodeError при чтении CSV — файл не в UTF-8, а, например, в windows-1251. Добавьте encoding="cp1251" в read_csv.
3. ValueError: could not convert string to float или суммы стали NaN — в колонке amount числа записаны с запятой как разделителем дробной части («1 500,50»). Замените запятую на точку и уберите пробелы до pd.to_numeric.
4. KeyError: 'manager' — колонки в вашем CSV называются иначе. Посмотрите вывод df.columns и подставьте реальные имена.
5. Отчёт пустой или строк почти не осталось — dropna выкинул всё из-за формата дат. Проверьте, что date действительно в формате YYYY-MM-DD, либо задайте свой через format= в pd.to_datetime.

Что делать дальше

Готовый скрипт легко обернуть в функцию, которая принимает путь к CSV и имя выходного файла — тогда его можно запускать по расписанию через cron или планировщик задач. Следующий естественный шаг — числовой формат ячеек: чтобы суммы отображались как «1 500,00 ₽», задавайте cell.number_format у openpyxl (синтаксис форматов смотрите в документации openpyxl, раздел про number_format). Если отчётов станет много и понадобятся диаграммы прямо в файле — у openpyxl есть модуль chart, но это уже тема отдельного разбора.