前面九篇攒齐了全套手艺:pandas 管数据、matplotlib 画静态图、plotly 做交互图。但交到老板手里的还是零散的零件——一张图一个 HTML、一个数一张表,拼成”报告”还得靠你手动复制粘贴。今天只引入一个新概念:把文字、表格、多张图拼成一个完整的 HTML 报告。数据一到,跑一次程序,整份月报自动生成——你从”做报表的人”变成”管报表流水线的人”。
一、真实场景:每月月初,你又在复制粘贴月报
月初第一天,你的固定节目开始了:从系统导出上月数据,Excel 里拉三个透视表,截图贴进 Word,再把上周做的三张图重新导出一遍贴进去,最后补一段”本月总销售额 XX 万,环比增长 X%”的结论。一套下来两个半小时,中间还夹着两次事故——图贴错了月份,数字是上周的口径。
同事的月报九点整发进群里:数据表、三张图、结论段,排版整整齐齐。你以为他起了个大早,后来才知道:他上个月就写好了一个 make_report.py,早上把新 CSV 拖进文件夹,双击运行,30 秒后整份报告躺在桌面上。他这两小时喝咖啡。
差别不在勤快,在流水线:你每月重复”人肉搬运”,他每月只重复”跑一次程序”。今天就把这条流水线搭起来。
二、新概念:报告 = 模板 + 填空
先破除一个迷思:生成”一份完整报告”听起来是大工程,其实它就是一大段 HTML 文字,中间挖几个坑,把算好的零件填进去。你在第 73 篇之后会正式学网页,但今天不需要——HTML 对你来说就是”带标签的文字”,看得懂中文就看得懂它。
整条流水线只有三个零件接口,全是你见过的东西:
- 数据表零件:
df.to_html()—— pandas 表格直接变成 HTML 表格片段(第 25-27 篇的 DataFrame 终于有了新出口); - 图表零件:
fig.to_html(full_html=False)—— 上一篇的 plotly 图变成一段可以嵌进任何网页的”图块”(上一篇是write_html存整个网页,今天是to_html只要图这一块); - 拼装零件:f-string —— 把文字、表格、图块填进模板,
open(..., "w")写出成品(f-string 你在第 16 篇就用熟了)。
一句话总结:pandas 出数字,plotly 出图,f-string 出整份报告。三个零件各自都学过,今天学的是”让它们排着队交货”。
三、动手:make_report.py,一条从 CSV 到月报的流水线
第 1 步:算数——月报要的四个数字
# report_data.py — 流水线第一站:算数
import pandas as pd
# 造一份销售明细(真实工作里换成 pd.read_csv("你的文件.csv"))
detail = pd.DataFrame({
"月份": ["1月", "2月", "3月", "4月", "5月", "6月"] * 3,
"品类": ["数码"] * 6 + ["家居"] * 6 + ["服饰"] * 6,
"销售额": [42, 38, 45, 50, 48, 52,
25, 28, 30, 33, 31, 36,
18, 20, 22, 25, 24, 28],
})
detail.to_csv("sales.csv", index=False, encoding="utf-8-sig")
df = pd.read_csv("sales.csv")
# 月报的四个数字:总销售额、月度趋势、品类对比、环比增速
total = df["销售额"].sum()
by_month = df.groupby("月份", as_index=False)["销售额"].sum()
by_category = df.groupby("品类", as_index=False)["销售额"].sum()
by_month["环比"] = by_month["销售额"].pct_change() * 100 # 相比上月涨跌百分比
print(f"总销售额:{total} 万元")
print(by_month)
pct_change() 是唯一的新面孔:它算”每个值相比上一个值涨了百分之几”,第 1 月没有”上一月”,自动留空(NaN)。这四个数字就是月报的”正文素材”。
第 2 步:出图——三张图变”图块”
# report_charts.py — 流水线第二站:出图
import pandas as pd
import plotly.express as px
df = pd.read_csv("sales.csv")
by_month = df.groupby("月份", as_index=False)["销售额"].sum()
by_category = df.groupby("品类", as_index=False)["销售额"].sum()
fig_line = px.line(by_month, x="月份", y="销售额", markers=True,
title="月度销售趋势(万元)")
fig_bar = px.bar(by_category, x="品类", y="销售额", color="品类",
title="各品类销售额对比(万元)")
fig_pie = px.pie(by_category, names="品类", values="销售额",
title="各品类销售额占比")
# 关键区别:to_html(full_html=False) 只要"图块",不要整张网页
chart_line = fig_line.to_html(full_html=False, include_plotlyjs=False)
chart_bar = fig_bar.to_html(full_html=False, include_plotlyjs=False)
chart_pie = fig_pie.to_html(full_html=False, include_plotlyjs=False)
对比上一篇:fig.write_html("x.html") 是”图自己住一套房子”;fig.to_html(full_html=False) 是”图打包成一件家具,准备搬进报告这栋大楼”。include_plotlyjs=False 的意思稍后细说,先埋个伏笔:plotly 的交互能力来自一个叫 plotly.js 的库,三张图别各自搬一份。
第 3 步:拼装——模板 + 填空
# report_build.py — 流水线第三站:拼装
import pandas as pd
import plotly.express as px
df = pd.read_csv("sales.csv")
by_month = df.groupby("月份", as_index=False)["销售额"].sum()
by_category = df.groupby("品类", as_index=False)["销售额"].sum()
by_month["环比"] = by_month["销售额"].pct_change() * 100
total = df["销售额"].sum()
fig_line = px.line(by_month, x="月份", y="销售额", markers=True,
title="月度销售趋势(万元)")
fig_bar = px.bar(by_category, x="品类", y="销售额", color="品类",
title="各品类销售额对比(万元)")
fig_pie = px.pie(by_category, names="品类", values="销售额",
title="各品类销售额占比")
chart_line = fig_line.to_html(full_html=False, include_plotlyjs=False)
chart_bar = fig_bar.to_html(full_html=False, include_plotlyjs=False)
chart_pie = fig_pie.to_html(full_html=False, include_plotlyjs=False)
# 表格零件:index=False 不要那列多余的序号
table_month = by_month.round(1).to_html(index=False, border=1)
table_cat = by_category.to_html(index=False, border=1)
# 结论也自动化:环比直接写进句子里
last = by_month.iloc[-1]
growth = last["环比"]
trend = "增长" if growth >= 0 else "下滑"
summary = (f"本期总销售额 {total:.0f} 万元。{last['月份']}销售额 "
f"{last['销售额']:.0f} 万元,环比{trend} {abs(growth):.1f}%。")
html = f"""
2026年上半年销售月报
body {{ font-family: "Microsoft YaHei", sans-serif; max-width: 900px; margin: 20px auto; color: #333; }}
h1 {{ border-bottom: 3px solid #2c6fbb; padding-bottom: 8px; }}
h2 {{ color: #2c6fbb; margin-top: 32px; }}
.summary {{ background: #eef4fb; padding: 12px 16px; border-left: 4px solid #2c6fbb; }}
table {{ border-collapse: collapse; margin: 12px 0; }}
th, td {{ padding: 6px 14px; text-align: center; }}
2026年上半年销售月报
{summary}
一、月度销售趋势
{chart_line}
二、各品类销售额对比
{chart_bar}
三、各品类销售额占比
{chart_pie}
附录:原始汇总数据
月度汇总(含环比)
{table_month}
品类汇总
{table_cat}
"""
with open("report_2026上半年.html", "w", encoding="utf-8") as f:
f.write(html)
print("月报已生成:report_2026上半年.html(双击浏览器打开)")
跑完双击 report_2026上半年.html:一份完整的月报——标题、结论段、三张可交互的图(悬停看数、点图例筛选)、两张数据附录表,全部出自一个程序。注意 CSS 里花括号写成了 {{ }},这是 f-string 的转义规矩,后面坑点里细说。
第 4 步:封装成函数,以后每月一跑
# make_report.py — 完整流水线封装
import pandas as pd
import plotly.express as px
def make_report(csv_path: str, report_title: str, out_file: str):
"""读一份销售 CSV,产出一份完整 HTML 月报。"""
df = pd.read_csv(csv_path)
by_month = df.groupby("月份", as_index=False)["销售额"].sum()
by_category = df.groupby("品类", as_index=False)["销售额"].sum()
by_month["环比"] = by_month["销售额"].pct_change() * 100
total = df["销售额"].sum()
fig_line = px.line(by_month, x="月份", y="销售额", markers=True,
title="月度销售趋势(万元)")
fig_bar = px.bar(by_category, x="品类", y="销售额", color="品类",
title="各品类销售额对比(万元)")
fig_pie = px.pie(by_category, names="品类", values="销售额",
title="各品类销售额占比")
charts = [
("一、月度销售趋势", fig_line.to_html(full_html=False, include_plotlyjs=False)),
("二、各品类销售额对比", fig_bar.to_html(full_html=False, include_plotlyjs=False)),
("三、各品类销售额占比", fig_pie.to_html(full_html=False, include_plotlyjs=False)),
]
last = by_month.iloc[-1]
growth = last["环比"]
trend = "增长" if growth >= 0 else "下滑"
summary = (f"本期总销售额 {total:.0f} 万元。{last['月份']}销售额 "
f"{last['销售额']:.0f} 万元,环比{trend} {abs(growth):.1f}%。")
sections = "n".join(f"{title}
n{chart}" for title, chart in charts)
html = f"""
{report_title}
body {{ font-family: "Microsoft YaHei", sans-serif; max-width: 900px; margin: 20px auto; color: #333; }}
h1 {{ border-bottom: 3px solid #2c6fbb; padding-bottom: 8px; }}
h2 {{ color: #2c6fbb; margin-top: 32px; }}
.summary {{ background: #eef4fb; padding: 12px 16px; border-left: 4px solid #2c6fbb; }}
table {{ border-collapse: collapse; margin: 12px 0; }}
th, td {{ padding: 6px 14px; text-align: center; }}
{report_title}
{summary}
{sections}
附录:原始汇总数据
{by_month.round(1).to_html(index=False, border=1)}
{by_category.to_html(index=False, border=1)}
"""
with open(out_file, "w", encoding="utf-8") as f:
f.write(html)
print(f"月报已生成:{out_file}")
if __name__ == "__main__":
make_report("sales.csv", "2026年上半年销售月报", "report_2026上半年.html")
从今往后,每月月初的动作只有一个:把新数据存成 CSV,跑 make_report("2026年7月.csv", "2026年7月销售月报", "report_2026年7月.html")。以前两个半小时的活,变成 30 秒加一杯咖啡。这就是”自动化报表”的全部含义——不是新语法,是让旧手艺排队交货。
四、跟AI说需求:把”我要月报”拆成流水线订单
把你的数据样例和需求发给 AI:
“这是我的销售数据(贴
df.head()的输出)。帮我写一个 make_report(csv_path, title, out_file) 函数:1)算总销售额、月度汇总、品类汇总、环比增速;2)月度趋势用 plotly 折线、品类对比用柱状、占比用饼图;3)把三张交互图、两张数据表、一段自动生成的结论拼成一个 HTML 文件;4)图表悬停要显示具体数值;5)代码完整可运行,每个零件加一句中文注释。先说方案再给代码。”
它的方案里这几个点值得追问:
- 让它解释
to_html(full_html=False)和write_html()的区别:合格的回答是”write_html 出整张独立网页,to_html(full_html=False) 出一段能嵌进别处的图块”。这个区别搞明白,你就理解了今天”拼装”的本质; - 追一句”结论段的数字从哪来的”:如果它直接把结论写死在模板里,那不叫自动化,叫”会打字的模板”。必须像文中的
summary一样,每个数字都从by_month、total里现算——数据变了,句子自动变; - 问它”下个月我要改哪几行”:好的答案是”只要换 CSV 路径、标题和输出文件名,函数一行不用动”。如果你听到”要改七八处”,说明它把数据写死在了模板里,让它重构成参数。
五、四个必踩的坑(先打疫苗)
- 三张图各自搬一份 plotly.js,报告几十 MB,微信发不出去。
to_html()默认include_plotlyjs=True,会把整个 plotly.js 库(约 3MB)塞进每个图块——三张图就是三份。疫苗:图块全部写include_plotlyjs=False,在里用一行统一引一次(就像文中的模板)。代价是打开报告需要联网;要离线就把第一张图写成include_plotlyjs=True、其余False,库只进一份。判断标准就一条:报告文件大小应在几百 KB,不是几十 MB。
- f-string 和 CSS 的花括号打架,程序直接报错。 模板里写
body { font-family: ... },f-string 会把{当成填空位,抛出NameError或语法错误。疫苗:f-string 里所有 CSS 花括号写成{{ }}(就像文中的模板),只有真正要填空的地方用单花括号。另一种省心路线:模板用普通字符串存成template.html文件,用template.replace("{标题}", title)之类的占位符替换——不跟 f-string 打交道,也就没得打。
to_html()表格带着一列莫名的序号,样式也丑。 默认输出会把 DataFrame 的索引也画成一列(0、1、2……),多一列没意义的数字;而且不加样式时表格线都不清晰。疫苗:永远to_html(index=False, border=1),再在 CSS 里给table、th、td补几行样式。报告是给人看的,附录表也一样。
- 下个月跑一次,上个月的报告没了。 输出文件名写死成
report.html,每月运行都覆盖上一份——等你想对比”6 月和 7 月”时,6 月的已经找不回来了。疫苗:输出文件名带期间(report_2026年7月.html),或者按月份自动建文件夹(reports/2026-07/report.html)。自动化的另一面是”删起来也自动”,历史留痕必须自己设计。
六、跟AI协作的正确姿势(报表特供版)
- 给 AI 的需求里写明”交付验收标准”。 比如”生成的 HTML 双击能打开、三张图能悬停、结论里的数字和附录表对得上”。报表代码最容易”跑通但不对”——文件生成了,数字是旧的。有验收标准,AI 会自查,你也好检查。
- 让 AI 把”算数”和”拼装”分成两个函数。 一次性糊成 100 行大函数,下个月想改个口径就得整体重看。
calc(df)管数字、build(parts)管排版,改数据口径只动前者,改样式只动后者——这是流水线思维的第一步。
- 每次改动后,要求它”用同一条命令重跑一遍验证”。 报表代码最隐蔽的故障是”上次能跑,这次改完没重跑”。让它改完必须执行一次完整流程并报告文件大小、图块数量,你再双击抽查。程序出报告,人只抽查——这正是自动化的分工。
七、今日小练习
练习1:出你的第一份自动化月报。 把文中的 make_report.py 整段复制,换成你自己的 CSV(或先用 sales.csv),跑出一份完整 HTML 月报(提示:只需要改 if __name__ == "__main__" 里 make_report(...) 的三个参数;打开报告后检查结论段的总销售额和附录表是否一致;列名不同的话把代码里的”月份””品类””销售额”换成你的列名)。
练习2:给月报加一张图。 在报告里再加一节”四、各月环比增速”,用柱状图展示 by_month["环比"](提示:px.bar(by_month, x="月份", y="环比", title="各月环比增速(%)");注意第 1 月的环比是空值,可以先 by_month.dropna(subset=["环比"]) 去掉它;照着 charts 列表的格式加一项就自动排进报告)。
练习3:把报告”瘦身”再体检。 检查你的报告文件大小,如果是几十 MB,找出病因并修复,然后用一句代码验证图块数量(提示:os.path.getsize("report.html") / 1024 看大小;病因多半是 include_plotlyjs 没关;验证可以用 html.count("plotly-graph-div") 数图块,三张图应该是 3——生成了不等于生成对了,数一数)。
下篇预告
下一篇(第71篇):地理数据可视化 — 地图基础,让数据落到地图上。 报告里的数字和图已经能自动产出,但”华东 45 万、华南 32 万”读起来还是抽象——人心最懂的其实是地图。下一篇只学一个新概念:把带地名的数据画上地图,销售额直接变成省份的颜色深浅。你的报表流水线会多出一种”看一眼就知道哪里强哪里弱”的新零件。