夜雨聆风
Excel 彻底卡死?几十万条进销存流水,我用 Python 3 秒跑完!(附核心源码)
做数据分析和业务核算的人，大概率都经历过一种绝望：看着 Excel 屏幕变白，标题栏出现“未响应”三个字。
痛点代入：
每到月底盘点，你需要核对几十万条的进销存（采购、销售、库存）流水明细。
你的手里捏着三个庞然大物：【商品基础信息表】、【本月入库明细表】和【本月出库明细表】。
为了算出每个 SKU 的“期末库存”，你在主表里疯狂地敲 VLOOKUP 匹配商品名称，再用两列极其冗长的 SUMIFS 去十几万行的出入库明细里抓取总数。
当你满头大汗地双击右下角，把公式往下拉——电脑风扇开始狂转，鼠标变成小圆圈，半个小时过去，进度条卡在 50%，最后甚至直接闪退，半天的活儿白干了。
这就是 Excel 的物理极限。当数据量突破十万级，或者核算逻辑涉及多表的高频交叉比对时，强行用 Excel 就像是用人力三轮车去拉一吨重的货物。
今天，给你介绍一套降维打击的自动化方案：把数据扔进 MySQL，把计算交给 Python。
很多同学一听“写代码”就觉得头大，觉得那是程序员干的事。
但实际上，用 Python 的 Pandas 库处理数据，本质上就是用代码在自动操作 Excel。你平时鼠标点几十下的操作，在 Python 里就是一行短句。
今天，我不说废话，直接把一套极简的“进销存核算代码”掏出来。你会发现，它跟你平时的 Excel 思维简直一模一样！
核心源码：5 行代码抵过 10 万行 VLOOKUP
假设我们要处理三个数据：基础表（期初）、入库流水、出库流水。把几十万行数据变成最终报表，只需要下面这几步：
import pandas as pd
import pymysql
# 步骤1：从数据库把数据拉出来（相当于双击打开三个 Excel 文件）
df_base = pd.read_sql(“SELECT 商品ID, 期初库存 FROM 基础表”, conn)
df_in = pd.read_sql(“SELECT 商品ID, 入库数量 FROM 入库流水”, conn)
df_out = pd.read_sql(“SELECT 商品ID, 出库数量 FROM 出库流水”, conn)
# 步骤2：汇总几十万条流水（相当于插了个“数据透视表”，或者用了 SUMIFS）
in_sum = df_in.groupby(‘商品ID’)[‘入库数量’].sum().reset_index()
out_sum = df_out.groupby(‘商品ID’)[‘出库数量’].sum().reset_index()
# 步骤3：把三张表拼在一起（相当于写了两次 VLOOKUP）
result = pd.merge(df_base, in_sum, on=’商品ID’, how=’left’)
result = pd.merge(result, out_sum, on=’商品ID’, how=’left’).fillna(0)
# 步骤4：核心加减法（相当于在单元格里敲了 =A2+B2-C2，然后双击下拉到底）
result[‘期末库存’] = result[‘期初库存’] + result[‘入库数量’] – result[‘出库数量’]
# 步骤5：保存结果（相当于点击“文件-另存为”）
result.to_excel(“本月进销存报表.xlsx”, index=False)
给 Excel 老手的“代码人话翻译”
你看懂了吗？其实 Python 处理数据的逻辑，完全就是复刻了咱们的高级表格思维：
- groupby().sum() = 你最爱的 SUMIFS / 数据透视表
不管你的入库流水有 10 万条还是 50 万条，这行代码会在电脑内存里瞬间把相同商品找出来并求和。没有转圈，没有卡顿，0.1秒出结果。 - pd.merge() = 永远不会报错的超强 VLOOKUP
在 Excel 里，跨表 VLOOKUP 几十万行，电脑风扇绝对转得像直升机起飞。而 merge 就是按“商品ID”这个条件，瞬间把入库总数和出库总数贴到基础表后面。 - result[‘期末’] = 期初 + 入库 – 出库 = 极速公式下拉
在 Excel 里双击右下角下拉公式，数据量大了会卡死。在 Python 里，它把这一列看作一个整体，直接在底层瞬间完成十万次加减法。
总结：
不要把 Python 想象成黑客帝国里的绿色代码雨。对于我们打工人来说，它就是一个“没有任何行数限制、永远不会卡死、且能自动运行”的超级 Excel。
当你把这几行代码复制进你的电脑，点下运行的那一刻，看着 3 秒钟后桌面上弹出的那份完美的报表，你一定会回来感谢今天点开这篇文章的自己！
