用 AI 把 Excel 表格变成 Web 应用：Python 实战教程

一、背景：每周重复的表格问答

你有一份销售表格，每周都有人问你 slightly 不同的问题：华北上个月卖得怎么样？只看键盘的行去掉升降桌行不行？1 月前两周的数据发我一份？你打开表格、筛一遍、算一遍、截图发过去，下一个问题又来了，同样动作再来一遍。

解法不是把 Excel 发给所有人（版本满天飞），也不是每次手算，而是把表格分析包成一个小 Web 应用：别人自己选日期、地区、产品，结果自动更新。你只维护一份 notebook，所有人看到的都是最新口径。本文用 Python、Mercury 和 MLJAR Studio，一段一段生成这个应用：一次只做一块，跑起来看效果，再做下一块。

二、原理：notebook 如何变成应用

Mercury 应用本质还是 notebook：pandas 负责读表过滤计算，Altair 负责画图，Mercury 负责把变量变成页面控件。当用户改了页面上的日期或下拉框，Mercury 用新值重跑 notebook 并刷新输出。就这么简单。

关键设计只有一句：所有展示（指标、图表、表格）都用同一个过滤后的 dataframe。当过滤器变化，所有结果一起变，口径天然一致。出问题也只查一处：过滤条件写对没有。

工作流上强烈建议逐段生成：不要让 AI 一次输出整个 dashboard。一次输出 200 行，出错了你都不知道哪段坏的。一次一段，每段跑通再继续，布局边看边调（图表放表上还是表旁、指标要不要标题），比事前描述高效得多。MLJAR Studio 侧栏的 AI 助手就是为这个设计的：针对当前 cell 提建议，你看过再决定插入位置。

三、环境准备

1. 安装 MLJAR Studio（内置 Mercury，无需单独装 Mercury）。
2. 下载演示数据：datasets-for-start 仓库 sales_2025 目录，取 2025-01.xlsx（503 条 1 月订单），存到本地如 ~/Documents/sales/。

3. 新建 notebook，确认 imports 可用：

   import pandas as pd
   import altair as alt
   import mercury as mr

4. 先用 pd.read_excel 读一遍，确认 sheet 名（本教程为 Orders）和列名（order_date、region、product、revenue、units、order_id），列名对不上后面全错，先对齐。

四、分步实战：逐段生成 dashboard

第 1 步：读 Excel 数据

file_path = "/home/piotr/Documents/sales/2025-01.xlsx"  # 换成你的路径
sales = pd.read_excel(file_path, sheet_name="Orders")
print(sales.shape)
print(sales.dtypes)
print(sales["order_date"].min(), sales["order_date"].max())

先看行数、列类型、日期范围。日期列读成字符串是第一大坑，转成 datetime 再往下走：sales[“order_date”] = pd.to_datetime(sales[“order_date”])。发布前把绝对路径换成相对路径或上传文件方式，否则别人打不开。

第 2 步：加过滤器（日期加地区加产品）

min_date = sales["order_date"].min().date()
max_date = sales["order_date"].max().date()

date_filter = mr.DateRange(label="Order date", value=[min_date, max_date],
                           min=min_date, max=max_date)
region_filter = mr.MultiSelect(label="Region",
    choices=sorted(sales["region"].dropna().unique().tolist()),
    value=sorted(sales["region"].dropna().unique().tolist()))
product_filter = mr.MultiSelect(label="Product",
    choices=sorted(sales["product"].dropna().unique().tolist()),
    value=sorted(sales["product"].dropna().unique().tolist()))

要点：选项从表格里动态取（unique），不要手写死；默认全选，进页面先看到整月。有新地区新产品进表，过滤器自动出现。过滤器 cell 放 notebook 顶部，Mercury 按 notebook 顺序渲染，过滤器在结果之前才符合直觉。

第 3 步：用过滤器值过滤数据

start_date, end_date = pd.to_datetime(date_filter.value)
filtered_sales = sales[
    (sales["order_date"] >= start_date)
    & (sales["order_date"] <= end_date)
    & (sales["region"].isin(region_filter.value))
    & (sales["product"].isin(product_filter.value))
].copy()

从这行起，后面所有计算只用 filtered_sales，不再碰 sales。这就是口径一致的全部秘密。条件之间用与连接，全满足才保留。空结果要有兜底：if filtered_sales.empty 则提示调整筛选，不要让后面除以零。

第 4 步：头部指标 KPI

total_revenue = filtered_sales["revenue"].sum()
total_orders = filtered_sales["order_id"].nunique()
total_units = filtered_sales["units"].sum()
average_order_value = (filtered_sales.groupby("order_id")["revenue"].sum().mean()
                       if total_orders > 0 else 0)

mr.Markdown("## Key performance indicators")
mr.Indicator([mr.Indicator(label="Total revenue", value=f"{total_revenue:,.2f} USD"),
              mr.Indicator(label="Orders", value=f"{total_orders:,}"),
              mr.Indicator(label="Units sold", value=f"{total_units:,}"),
              mr.Indicator(label="Average order value", value=f"{average_order_value:,.2f} USD")])

四个数：总收入、订单数、销量、客单价。客单价按订单分组后平均，不是总收入除以行数。AI 助手这时最有用：对它说 update title above indicators，它会给标题样式建议， soup 现看现选。

第 5 步：每日收入折线图（Altair）

daily = (filtered_sales.groupby(filtered_sales["order_date"].dt.date)["revenue"]
         .sum().reset_index().rename(columns={"order_date": "day"}))
chart = (alt.Chart(daily).mark_line(point=True)
         .encode(x="day:T", y="revenue:Q", tooltip=["day", "revenue"])
         .properties(title="Daily revenue", width="container"))
chart.display() if hasattr(chart, "display") else chart

日期先对齐到天再分组，否则同一天不同时分 Sey 被拆成多组。图表和表格并排还是上下，看一眼 app 效果再定，布局决策边看边做是逐段生成的核心好处。

第 6 步：分地区汇总表

by_region = (filtered_sales.groupby("region")
             .agg(revenue=("revenue", "sum"), orders=("order_id", "nunique"),
                  units=("units", "sum"))
             .reset_index().sort_values("revenue", ascending=False))
by_region

排序让第一名在最上，表格 instantly 可读。想加一列占比：by_region[“share”] = by_region[“revenue”] / by_region[“revenue”].sum()，格式化成百分比。

第 7 步：发布成 Web 应用

notebook 跑通后，在 MLJAR Studio 里点分享或导出为 Mercury app，把数据文件随 app 一起打包（路径改相对），设好访问权限。先给一两个业务同事试用，收集过滤器够不够（常被问到的筛选没加上就是 feature 缺口），再全员推广。

五、常见坑

1. 日期列是字符串：比较和分组全错位，读表后立刻 pd.to_datetime。
2. 绝对路径发布：你的 /home/xxx 别人没有，发布前改相对路径或文件上传。
3. 手写过滤选项：新产品进表筛选器里没有，改成从 unique 动态取。
4. 后面误用 sales 原表：过滤器改了数字不动，全局搜索 sales 替换成 filtered_sales。
5. 空筛选无兜底：全不选时除零报错，加 empty 判断给友好提示。
6. 一次生成整个 app：200 行报错定位到哭，坚持一次一段、跑通再续。
7. 列名大小写：Excel 里 Region 和代码里 region 对不上，先 print columns 对齐。
8. 金额千分位：展示用格式化字符串，原值保持数字，免得后面求和变拼接。

六、总结与下一步

这套方法的复利在于：notebook 还是那个 notebook，只是外面长了一层交互皮。别人自助查数，你维护一份代码，口径永远一致。学完本篇，下一步按需扩展：合全年（merge 文件夹下所有 Excel）、理脏数据（去重、补缺失、统一品类名）、加计算列（回款率、环比）。每一块都是同样的逐段生成套路，熟练后半天就能交一个部门级小应用。

七、扩展一：合并全年 12 个月

单月跑通后，下一步是全年。文件夹里 12 个 xlsx，先合并再进同一套 dashboard。合并代码让 AI 生成时，记得提三个要求：列名不一致要报警（某个月多了列或少了列）、加一列 month 标记来源月份、合并后按各月行数对账（和单文件行数加总一致）。对账这一步最容易被 AI 省掉，必须点名要，否则某个月 sheet 名写错导致整月丢失，你都不知道。

import glob
frames = []
for f in sorted(glob.glob("/home/you/Documents/sales/2025-*.xlsx")):
    df = pd.read_excel(f, sheet_name="Orders")
    df["month"] = f[-8:-5]  # 从文件名取月份，按实际格式调
    frames.append(df)
full = pd.concat(frames, ignore_index=True)
print(full.groupby("month").size())  # 对账：每月行数

合并后日期过滤器的范围自动变成全年，KPI、图表、地区表一行不用改，这就是统一用 filtered_sales 的好处。数据量上万后 Altair 折线图会卡，记得先按天聚合再画（第 5 步已做），不要把万级散点直接扔给浏览器。

八、扩展二：脏数据清洗与计算列

业务表格一定脏：品类名大小写混杂（Keyboard 和 keyboard 并存）、缺失值、重复行、日期混着文本。上线前加一个清洗 cell，四个动作：去重（按 order_id）、品类统一（strip 加 title）、缺失值填充或丢弃并计数、日期非法行单独导出待确认。清洗前后各打印一次行数和分组计数，差值就是洗掉的东西，留档备查。AI 生成清洗代码很快，但阈值（缺失多少比例就报警）要你定，不要让它自作主张丢数据。

计算列是 dashboard 的灵魂二期：加回款率（已回款除以总额）、环比（本月比上月）、各地区占比。做法都是先 groupby 出中间表，再 merge 回来，最后格式化展示。记住展示列和计算列分离：原值保持数字，展示时才格式化成百分比字符串，否则下次求和变成字符串拼接，bug 藏得极深。

九、给业务同事的交付清单

交付不是发个链接就完事。清单四项：第一，写 5 行使用说明（筛什么、看什么、数字口径是什么，客单价定义写清楚）；第二，录 2 分钟屏演示一遍，比文档管用；第三，约好数据更新节奏（每周一早上你重跑 notebook 还是定时任务自动跑）；第四，留反馈入口（缺什么筛选直接提）。跑一个月，过滤器缺口和口径争议会收敛，届时这个小应用就是部门的正式数据源。每周省下的重复截图时间，就是你做这套东西的回报。

十、AI 协作话术与样式美化

和 AI 助手协作有固定话术，背下来效率翻倍。布局类：把图表移到表格右边、指标上面加二级标题、过滤器置顶。配色类：折线用蓝色系、标题加粗、表格高亮最大值行。排错类：把报错全文贴给它、说清期望（希望看到什么）、一次只改一段。每句话只提一个要求，改完运行再提下一个，一次提三个要求等于没提。AI 给的代码先读后插：看导入对不对、列名对不对、再决定放当前 cell 上面还是下面。

样式美化三板斧：标题层级（页面大标题、过滤区小标题、结果区小标题分三级）；数字格式（金额千分位加货币、占比转百分比保留一位）；图表标题和坐标轴中文（默认英文看着像半成品）。这三处花 20 分钟，应用观感从 demo 变产品。最后记得隐藏代码 cell 只留结果展示（Mercury 支持设置），业务同事不看代码，清爽交付。

十一、从月报到预测：dashboard 的长期生命

应用活下来之后，需求会自然生长。第二个月加环比和累计列，第三个月要各产品趋势对比，半年后问能不能预测下月销量。演进路线建议：先把手工口径全部固化成计算列（环比、占比、累计），再加参数化报表（选月份自动出月报文字总结，配 matplotlib 图），预测放最后（用 Prophet 或简单移动平均，注意预测值和实际值分开展示并标方法）。每加一块都走逐段生成：加一段、跑通、业务确认口径，再下一段。dashboard 的生命力来自口径可信，不是图表花哨，守住 filtered_sales 单一口径和清洗对账两条底线，它能陪你们团队走很远。

数据源备份别忘：Excel 原文件每月归档一份带日期的文件名，notebook 里记数据版本号，数字对不上先查版本再查代码。权限上 Mercury 支持访问控制，含薪资和成本的版本只给管理层，业务版隐藏敏感列。两套视图同一份 notebook，用参数开关控制列显隐，维护一份代码。备份加权限做到位，小应用才算真正交接完成，你休假也没人找你。

附：首周行动清单。周一读通单月表并跑出四个 KPI；周二加上三个过滤器和过滤逻辑；周三生成图表和地区表并调布局；周四合并全年数据加上清洗 cell；周五发布内测并收集筛选缺口。五天一个部门级小应用上线，之后每月加一块扩展，它会长成你们的数据门户。记住每次只动一处、跑通再续，这是整套方法唯一的心法。

一句话收束：notebook 不变，外面长交互皮；口径收敛到同一个 filtered_sales；一次一段、跑通再续。五天上线部门小应用，每月加一块扩展，备份权限口径三条底线守住，它会长成数据门户。省下的每周截图时间，就是这套方法给你发的奖金，而你维护的永远只是一份 notebook。 点击阅读原文

写在最后：今晚只干一件事——把你的真实表格读进 notebook，跑出四个 KPI 和一张图。看到数字跟着筛选一起变的那一刻，你就回不去了：再也不想手动筛表截图。剩下的过滤器、图表、发布都是顺手的事。五天后，把链接发给天天问你要数的人，世界清静了。 点击阅读原文

参考资料：MLJAR 官方教程《Turn an Excel Spreadsheet into a Web App》一文的实战流程。 点击阅读原文