Как записать DataFrame в Excel: полное руководство с примерами на Python

Экспорт данных из DataFrame в Excel — одна из самых востребованных операций при работе с Pandas. Без этого навыка невозможно представить анализ данных: будь то отчёт для руководства, подготовка датасета для коллег или архивирование результатов расчётов. Однако даже опытные специалисты сталкиваются с нюансами: почему-то пропадают индексы, кириллица отображается кракозябрами, а файлы весят гигабайты при минимальном объёме данных.

В этой статье мы разберём все актуальные способы сохранения DataFrame в Excel, от базового to_excel() до продвинутых техник с XlsxWriter и OpenPyXL. Вы узнаете, как контролировать форматирование ячеек, оптимизировать размер файла и избегать типичных ошибок при работе с большими наборами данных. А ещё — сравним .xlsx и .csv по 5 ключевым критериям, чтобы вы могли выбрать оптимальный формат для своей задачи.

Если вы когда-нибудь получали от клиента вопрос "А почему в вашем файле вместо букв знаки вопроса?" или тратили часы на поиск причины, почему Excel не открывает экспортированную таблицу — эта инструкция поможет раз и навсегда закрыть эти проблемы. Мы не будем ограничиваться копированием документации, а покажем реальные кейсы с кодом, который можно скопировать и сразу использовать в своём проекте.

Особое внимание уделим трём критическим моментам, которые редко освещают в туториалах:

1. Как сохранить несколько листов в одном файле Excel с разными DataFrame;
2. Почему to_excel() может "съедать" память при работе с данными объёмом >100К строк;
3. Скрытые настройки XlsxWriter, которые ускоряют экспорт в 2-3 раза.

Для примера возьмём типичный DataFrame с данными о продажах электроники — его структура поможет проиллюстрировать все нюансы форматирования (даты, валюта, проценты). Если у вас уже есть свой датасет — просто подставьте его вместо нашего в кодовых блоках.

1. Базовый экспорт DataFrame в Excel с Pandas

Начнём с самого простого: метода to_excel(), который встроен в каждый объект DataFrame. Этот способ подходит для 80% задач, когда нужно быстро сохранить данные без дополнительного форматирования.

Минимальный рабочий пример:

import pandas as pd

Создаём тестовый DataFrame
data = {
"Дата": ["2023-01-15", "2023-01-16", "2023-01-17"],
"Товар": ["Смартфон", "Ноутбук", "Планшет"],
"Продажи": [120, 45, 300],
"Цена": [29990, 89990, 15990]
}
df = pd.DataFrame(data)

Сохраняем в Excel
df.to_excel("продажи.xlsx", index=False)

Что здесь происходит:

• 📁 Создаётся файл продажи.xlsx в текущей директории;
• 📊 Данные записываются на первый лист (по умолчанию название "Sheet1");
• 🔢 Параметр index=False убирает колонку с индексами (если не указать — появится лишний столбец с номерами строк).

⚠️ Внимание: Если в вашем DataFrame есть столбцы с датами (тип datetime64), Pandas по умолчанию сохранит их в формате YYYY-MM-DD HH:MM:SS. Чтобы Excel корректно распознал их как даты, потребуется дополнительная настройка — об этом в разделе про XlsxWriter.

Основные параметры метода to_excel(), которые пригодятся в 90% случаев:

Пример с расширенными настройками:

df.to_excel(
"отчёт_по_продажам.xlsx",
sheet_name="Январь_2023",
startrow=1,
index=False,
freeze_panes=(1, 0)  # Закрепляем шапку
)

2. Продвинутый экспорт с XlsxWriter: форматирование и производительность

Когда базового to_excel() недостаточно — на помощь приходит библиотека XlsxWriter. Она позволяет:

• 🎨 Настраивать форматирование ячеек (цвета, шрифты, границы);
• 📊 Добавлять формулы и условное форматирование;
• ⚡ Ускорять запись больших DataFrame (до 100К+ строк).

Установите библиотеку, если ещё не сделали этого:

pip install xlsxwriter

Пример с настройкой формата даты и числовых значений:

import pandas as pd
from datetime import datetime

Создаём DataFrame с разными типами данных
data = {
"Дата": [datetime(2023, 1, 15), datetime(2023, 1, 16)],
"Продажи": [120, 45],
"Цена": [29990.50, 89990.99],
"Прибыль": [0.15, 0.20]  # Проценты
}
df = pd.DataFrame(data)

Создаём объект ExcelWriter с движком xlsxwriter
with pd.ExcelWriter("отчёт_с_форматированием.xlsx", engine='xlsxwriter') as writer:
df.to_excel(writer, sheet_name="Продажи", index=False)

# Получаем доступ к объектам workbook и worksheet
workbook = writer.book
worksheet = writer.sheets["Продажи"]

# Настраиваем форматы
date_format = workbook.add_format({'num_format': 'dd.mm.yyyy'})
money_format = workbook.add_format({'num_format': '# ##0.00 ₽'})
percent_format = workbook.add_format({'num_format': '0%'})

# Применяем форматы к столбцам
worksheet.set_column('A:A', 12, date_format)  # Столбец с датами
worksheet.set_column('C:C', 15, money_format)  # Столбец с ценами
worksheet.set_column('D:D', 10, percent_format)  # Столбец с процентами

Критическая деталь: XlsxWriter не может модифицировать существующие файлы Excel — только создавать новые. Если вам нужно дописать данные в существующий файл, используйте OpenPyXL (раздел 4).

Преимущества XlsxWriter перед стандартным to_excel():

• 📈 Поддержка диаграмм и сводных таблиц;
• 🖼️ Вставка изображений и комментариев;
• 🔍 Оптимизация памяти при работе с большими файлами (через параметр constant_memory=True).

Установить библиотеку (pip install xlsxwriter)

Импортировать ExcelWriter из pandas

Создать DataFrame с нужными данными

Определить форматы для каждого типа данных (даты, валюта, проценты)

Применить форматы к соответствующим столбцам-->

3. Экспорт в Excel с OpenPyXL: работа с существующими файлами

В отличие от XlsxWriter, библиотека OpenPyXL умеет:

• 🔄 Читать и модифицировать существующие файлы Excel;
• 📂 Работать с несколькими листами одновременно;
• 🎭 Поддерживать стили ячеек (цвета, шрифты, выравнивание).

Установка:

pip install openpyxl

Пример добавления DataFrame в существующий файл:

from openpyxl import load_workbook
import pandas as pd

Загружаем существующий файл
book = load_workbook("существующий_отчёт.xlsx")
writer = pd.ExcelWriter("существующий_отчёт.xlsx", engine='openpyxl')
writer.book = book

Записываем DataFrame на новый лист
df.to_excel(writer, sheet_name="Новые_данные", index=False)
writer.save()

⚠️ Внимание: При использовании OpenPyXL для больших DataFrame (>50К строк) может возникнуть ошибка MemoryError. В этом случае разбейте данные на части или используйте XlsxWriter для первоначальной записи, а OpenPyXL — только для доработки.

Кейс: вам нужно обновить только один лист в файле с 10 листами. С OpenPyXL это делается так:

# Загружаем файл, оставляя все листы нетронутыми
book = load_workbook("ежемесячный_отчёт.xlsx")
with pd.ExcelWriter("ежемесячный_отчёт.xlsx", engine='openpyxl') as writer:
writer.book = book
# Обновляем только лист "Январь"
if "Январь" in book.sheetnames:
writer.sheets["Январь"] = book["Январь"]
df.to_excel(writer, sheet_name="Январь", index=False)

4. Оптимизация экспорта для больших DataFrame (>100К строк)

При работе с большими объёмами данных стандартный to_excel() может:

• 🐢 Замедляться до нескольких минут;
• 💥 Выдавать ошибки нехватки памяти;
• 📦 Создавать файлы размером в гигабайты.

Решения для оптимизации:

Пример оптимизированного экспорта для 500К строк:

import numpy as np

Разбиваем DataFrame на чанки по 50К строк
chunks = np.array_split(df, len(df) // 50000 + 1)

with pd.ExcelWriter("большой_отчёт.xlsx", engine='xlsxwriter') as writer:
for i, chunk in enumerate(chunks):
chunk.to_excel(writer, sheet_name=f"Часть_{i+1}", index=False)

5. Сравнение Excel (.xlsx) и CSV: когда какой формат использовать

Выбор между .xlsx и .csv зависит от задачи. Вот сравнительная таблица по ключевым критериям:

Когда выбирать .xlsx:

• 📊 Нужно сохранить форматирование (цвета, формулы, диаграммы);
• 📑 Требуется несколько листов в одном файле;
• 👥 Файл будет открывать нетехнический пользователь (менеджер, бухгалтер).

Когда выбирать .csv:

• 📈 Данные большого объёма (>100К строк);
• 🔄 Нужна максимальная скорость записи/чтения;
• 🤖 Файл будет обрабатываться автоматизированными системами.

Пример экспорта в CSV с настройкой разделителя (важно для российской локализации, где по умолчанию используется ;):

df.to_csv(
"данные.csv",
index=False,
sep=';',          # Разделитель - точка с запятой
decimal=',',       # Десятичный разделитель - запятая
encoding='utf-8-sig'  # Кодировка с BOM для корректного отображения в Excel
)

6. Типичные ошибки и их решения

Даже опытные аналитики сталкиваются с проблемами при экспорте DataFrame в Excel. Вот топ-5 ошибок и способы их исправления:

1. Ошибка: ValueError: Excel file format cannot be determined, you must specify an engine

   Причина: Не установлены библиотеки для работы с Excel (openpyxl или xlsxwriter).

   Решение: Установите недостающую библиотеку:

   pip install openpyxl xlsxwriter

2. Ошибка: Вместо кириллицы отображаются ??????

   Причина: Неверная кодировка при сохранении.

   Решение: Укажите encoding='utf-8-sig' для CSV или используйте engine='xlsxwriter' для XLSX:

   df.to_excel("файл.xlsx", engine='xlsxwriter')

3. Ошибка: MemoryError при экспорте большого DataFrame

   Причина: Недостаточно оперативной памяти для обработки данных.

   Решение: Разбейте DataFrame на части или используйте constant_memory=True:

   df.to_excel(writer, constant_memory=True)

Ещё две распространённые проблемы:

• 🗓️ Дата сохраняется как число: Excel хранит даты как количество дней с 1900 года. Чтобы исправить, примените формат dd.mm.yyyy через XlsxWriter.
• 💰 Числа округляются: Используйте параметр float_format="%.2f" для контроля точности:

  df.to_excel("файл.xlsx", float_format="%.2f")

7. Экспорт нескольких DataFrame в один файл Excel

Частая задача — сохранить несколько таблиц на разных листах одного файла. Например, у вас есть:

• 📄 DataFrame с продажами;
• 📄 DataFrame с остатками на складе;
• 📄 DataFrame с аналитикой по регионам.

Решение с ExcelWriter:

with pd.ExcelWriter("полный_отчёт.xlsx", engine='xlsxwriter') as writer:
df_sales.to_excel(writer, sheet_name="Продажи", index=False)
df_stock.to_excel(writer, sheet_name="Склад", index=False)
df_regions.to_excel(writer, sheet_name="Регионы", index=False)

Если нужно добавить данные к существующему файлу (с другими листами), используйте OpenPyXL:

book = load_workbook("существующий_файл.xlsx")
with pd.ExcelWriter("существующий_файл.xlsx", engine='openpyxl') as writer:
writer.book = book
df_new.to_excel(writer, sheet_name="Новые_данные", index=False)
# Сохраняем все остальные листы
writer.sheets = {ws.title: ws for ws in book.worksheets}

Совет для больших файлов: если вам нужно объединить 10+ DataFrame, лучше создать отдельные файлы и потом объединить их через Python или Power Query в Excel. Это ускорит процесс и уменьшит риск ошибок памяти.

FAQ: Частые вопросы по экспорту DataFrame в Excel

worksheet.autofilter('A1:D1000')  # Диапазон для фильтра

df.to_excel("файл.xlsx", freeze_panes=(1, 0))  # Закрепит первую строку

worksheet.write_formula('E2', '=SUM(B2:D2)')  # Формула суммы