शीर्ष 5 पायथन लाइब्रेरीज़ जो पेशेवरों के लिए एक्सेल डेटा विश्लेषण को उन्नत करती हैं

1. पांडा - डेटा हेरफेर और विश्लेषण का मूल

• pd.read_excel() के साथ Excel फ़ाइलों को मूल रूप से पढ़ें और लिखें और df.to_excel()
• अव्यवस्थित डेटा को संभालें:डुप्लिकेट हटाएं, गायब मान भरें, और प्रारूपों को मानकीकृत करें
• PivotTables से आगे जाने वाले तर्क के साथ उन्नत समूहीकरण और एकत्रीकरण निष्पादित करें
• एकाधिक शीट या फ़ाइलों को मर्ज करना या जोड़ना
• df.describe() के साथ सांख्यिकीय सारांश तैयार करें
• कोड की कुछ पंक्तियाँ चलाएँ और हर बार एक ही परिणाम प्राप्त करें

import pandas as pd
df = xl("A1:J10000", headers=True)
# Clean: strip spaces, convert types, fill missing
df['Category'] = df['Category'].str.strip()
df['Revenue'] = df['Units'] * df['UnitPrice'].fillna(0)
# Advanced summary: group by Region and Category
summary = df.groupby(['Region', 'Category']).agg({
 'Revenue': 'sum',
 'Units': 'sum'
}).reset_index()
summary

import pandas as pd
file_path = 'SalesData.xlsx'
df = pd.read_excel(file_path, sheet_name='RawData')
# Fix column types — handles numbers stored as text
df['Units'] = pd.to_numeric(df['Units'], errors='coerce').fillna(0).astype(int)
df['UnitPrice'] = pd.to_numeric(df['UnitPrice'], errors='coerce').fillna(0.0)
df['DiscountPct'] = pd.to_numeric(df['DiscountPct'], errors='coerce').fillna(0.0)
# Standardize boolean-like text columns
df['Returned'] = df['Returned'].astype(str).str.strip().str.lower() \
 .map({'yes': True, 'no': False}).fillna(False)
# Add calculated columns
df['Revenue'] = df['Units'] * df['UnitPrice']
df['NetRevenue'] = df['Revenue'] * (1 - df['DiscountPct'])
# Write back as a new sheet — original data untouched
with pd.ExcelWriter(file_path, engine='openpyxl', mode='a',
 if_sheet_exists='replace') as writer:
 df.to_excel(writer, sheet_name='CleanData', index=False)
print('CleanData sheet created in', file_path)

summary = (
 df.groupby(['Region', 'Category'], as_index=False)
 .agg(
 Orders = ('OrderID', 'count'),
 Units = ('Units', 'sum'),
 NetRevenue = ('NetRevenue', 'sum'),
 Returns = ('Returned', 'sum')
 )
)
with pd.ExcelWriter(file_path, engine='openpyxl', mode='a',
 if_sheet_exists='replace') as writer:
 summary.to_excel(writer, sheet_name='Summary', index=False)

2. OpenPyXL - उन्नत एक्सेल फ़ाइल हेरफेर और मूल स्वरूपण

• प्रोग्रामेटिक रूप से कार्यपुस्तिकाएं बनाएं और संशोधित करें
• साफ़ की गई तालिकाओं को नई शीट में निर्यात करें
• पेशेवर चार्ट को सीधे एक्सेल प्रारूप में जोड़ें जो स्वचालित रूप से अपडेट हो जाते हैं
• पुरानी रिपोर्ट टैब स्वचालित रूप से बदलें
• विशिष्ट कक्षों पर सशर्त स्वरूपण, बॉर्डर, फ़ॉन्ट और शैलियाँ लागू करें
• एक्सेल फ़ॉर्मूले जैसे =SUM() इंजेक्ट करें या =VLOOKUP() कोशिकाओं में
• शीट्स, फ़्रीज़ पैन को सुरक्षित रखें, और कॉलम की चौड़ाई प्रोग्रामेटिक रूप से सेट करें
• गैर-पायथन उपयोगकर्ताओं के लिए कार्यपुस्तिका-आधारित डिलिवरेबल्स बनाएं

from openpyxl import load_workbook
from openpyxl.chart import BarChart, Reference
import pandas as pd
file_path = 'SalesData.xlsx'
df = pd.read_excel(file_path, sheet_name='CleanData')
chart_data = df.groupby('Region', as_index=False)['NetRevenue'] \
 .sum().sort_values('NetRevenue', ascending=False)
with pd.ExcelWriter(file_path, engine='openpyxl', mode='a',
 if_sheet_exists='replace') as writer:
 chart_data.to_excel(writer, sheet_name='RegionChart', index=False)
wb = load_workbook(file_path)
ws = wb['RegionChart']
chart = BarChart()
chart.title = 'Net Revenue by Region'
chart.y_axis.title = 'Net Revenue ($)'
chart.x_axis.title = 'Region'
values = Reference(ws, min_col=2, min_row=1, max_row=ws.max_row)
labels = Reference(ws, min_col=1, min_row=2, max_row=ws.max_row)
chart.add_data(values, titles_from_data=True)
chart.set_categories(labels)
ws.add_chart(chart, 'D2')
wb.save(file_path)

3. मैटप्लोटलिब - एक्सेल चार्ट से परे शक्तिशाली विज़ुअलाइज़ेशन

• हीटमैप, ट्रेंडलाइन के साथ स्कैटर प्लॉट, बॉक्स प्लॉट, हिस्टोग्राम और 3डी चार्ट जैसे उन्नत प्लॉट बनाएं
• फ़ॉन्ट, रंग, ग्रिडलाइन, टिक मार्क और लेजेंड पर अधिक नियंत्रण प्राप्त करें
• मल्टी-पैनल सबप्लॉट लेआउट बनाएं जो एक साथ कई चार्ट दिखाएं
• छवियों, PDF, या SVG में निर्यात करें, या OpenPyXL के साथ विज़ुअल को Excel में वापस एम्बेड करें
• कस्टम लेबल और तीरों के साथ डेटा बिंदुओं को एनोटेट करें

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.ticker as mticker
df = pd.read_excel('SalesData.xlsx', sheet_name='CleanData')
df['Month'] = pd.to_datetime(df['OrderDate']).dt.to_period('M')
monthly = df.groupby('Month')['NetRevenue'].sum()
cat_rev = df.groupby('Category')['NetRevenue'].sum().sort_values(ascending=True)
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))
fig.suptitle('Sales Performance Dashboard', fontsize=16, fontweight='bold')
# Left panel — monthly revenue line chart
ax1.plot(list(monthly.index.astype(str)), monthly.values,
 marker='o', color='#1E5FAD', linewidth=2)
ax1.set_title('Monthly Net Revenue')
ax1.set_xlabel('Month')
ax1.set_ylabel('Revenue ($)')
ax1.yaxis.set_major_formatter(mticker.FuncFormatter(lambda x, _: f'${x:,.0f}'))
ax1.tick_params(axis='x', rotation=45)
ax1.grid(axis='y', linestyle='--', alpha=0.5)
# Right panel — revenue by category horizontal bar chart
ax2.barh(cat_rev.index, cat_rev.values, color='#217346')
ax2.set_title('Revenue by Category')
ax2.set_xlabel('Revenue ($)')
ax2.xaxis.set_major_formatter(mticker.FuncFormatter(lambda x, _: f'${x:,.0f}'))
plt.tight_layout()
plt.savefig('sales_dashboard.png', dpi=150, bbox_inches='tight')
print('Dashboard saved as sales_dashboard.png')

4. सीबॉर्न - सांख्यिकीय डेटा विज़ुअलाइज़ेशन

• जल्दी से सांख्यिकीय चार्ट बनाएं
• खोजपूर्ण डेटा विश्लेषण के लिए अच्छा काम करें
• कॉलम एक दूसरे से कैसे संबंधित हैं यह देखने के लिए सहसंबंध हीटमैप बनाएं
• अंतर्निहित घनत्व वक्रों के साथ वितरण प्लॉट बनाएं
• समूहों की दृष्टिगत तुलना करने के लिए बॉक्स प्लॉट और वायलिन प्लॉट का उपयोग करें
• संख्यात्मक स्तंभों में एक स्वचालित स्कैटरप्लॉट मैट्रिक्स के लिए जोड़ी प्लॉट बनाएं
• एक पंक्ति में आत्मविश्वास अंतराल के साथ प्रतिगमन प्लॉट उत्पन्न करें

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
df = pd.read_excel('SalesData.xlsx', sheet_name='CleanData')
correlation = df.select_dtypes(include='number').corr()
plt.figure(figsize=(10, 8))
sns.heatmap(
 correlation,
 annot=True, # show correlation values in each cell
 fmt='.2f',
 cmap='coolwarm', # red = positive, blue = negative
 center=0,
 square=True,
 linewidths=0.5
)
plt.title('Correlation Matrix — Sales Variables', fontsize=14, fontweight='bold')
plt.tight_layout()
plt.savefig('correlation_heatmap.png', dpi=150)
print('Heatmap saved!')

plt.figure(figsize=(10, 6))
sns.boxplot(data=df, x='Region', y='NetRevenue', hue='Region', palette='Set2', legend=False)
plt.title('Revenue Distribution by Region')
plt.ylabel('Net Revenue ($)')
plt.tight_layout()
plt.savefig('region_boxplot.png', dpi=150)

5. स्किकिट-लर्न - सीधे एक्सेल डेटा पर मशीन लर्निंग

• संख्यात्मक परिणामों या श्रेणियों जैसे मंथन जोखिम या बिक्री पूर्वानुमान की भविष्यवाणी करने के लिए रैखिक और लॉजिस्टिक प्रतिगमन
• व्याख्या योग्य भविष्यवाणियों के लिए निर्णय वृक्ष और यादृच्छिक वन
• K- का अर्थ है स्वचालित रूप से समान रिकॉर्ड को समूहीकृत करना
• मॉडल सटीकता को मापने के लिए ट्रेन-परीक्षण विभाजन और क्रॉस-सत्यापन
• सुविधा स्केलिंग, एन्कोडिंग, और प्रीप्रोसेसिंग पाइपलाइन
• फ़िल्टरिंग और सॉर्टिंग के लिए एक्सेल में पूर्वानुमान लौटाएं

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error, r2_score
from sklearn.preprocessing import LabelEncoder
df = pd.read_excel('SalesData.xlsx', sheet_name='CleanData')
# Encode categorical columns as numbers
for col in ['Region', 'Category', 'SalesRep']:
 if col in df.columns:
 df[col] = LabelEncoder().fit_transform(df[col].astype(str))
X = df[['Units', 'UnitPrice', 'DiscountPct', 'Region', 'Category']]
y = df['NetRevenue']
# Split: 80% train, 20% test
X_train, X_test, y_train, y_test = train_test_split(
 X, y, test_size=0.2, random_state=42
)
# Train a Random Forest model
model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
# Evaluate accuracy
predictions = model.predict(X_test)
print(f'Mean Absolute Error: ${mean_absolute_error(y_test, predictions):,.2f}')
print(f'R² Score: {r2_score(y_test, predictions):.4f}')
# Export predictions back to Excel
results = X_test.copy()
results['Actual'] = y_test.values
results['Predicted'] = predictions
results.to_excel('predictions.xlsx', index=False)
print('Predictions exported to predictions.xlsx')

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
df = pd.read_excel('SalesData.xlsx', sheet_name='CleanData')
customer = df.groupby('Customer').agg(
 TotalOrders = ('OrderID', 'count'),
 TotalRevenue = ('NetRevenue', 'sum'),
 AvgDiscount = ('DiscountPct', 'mean')
).reset_index()
X_scaled = StandardScaler().fit_transform(
 customer[['TotalOrders', 'TotalRevenue', 'AvgDiscount']]
)
customer['Segment'] = KMeans(n_clusters=3, random_state=42, n_init=10) \
 .fit_predict(X_scaled)
customer.to_excel('customer_segments.xlsx', index=False)
print('Segmentation complete! See customer_segments.xlsx')

बोनस:Xlwings - द्वि-दिशात्मक स्वचालन और लाइव एक्सेल एकीकरण

• लाइव एक्सेल सत्र को नियंत्रित करें:कार्यपुस्तिकाओं को प्रोग्रामेटिक रूप से खोलें, पढ़ें, लिखें और बंद करें
• एक्सेल सेल से सीधे कॉल करने योग्य पायथन फ़ंक्शन को यूडीएफ के रूप में लिखें
• डेटा को ताज़ा करने और रिपोर्ट तैयार करने जैसे दोहराए जाने वाले कार्यों को स्वचालित करें
• पांडा डेटाफ़्रेम और मैटप्लोटलिब चार्ट को सीधे नामित श्रेणियों में पुश करें
• एक्सेल बटन द्वारा ट्रिगर की गई पायथन स्क्रिप्ट चलाएँ
• Windows और macOS दोनों पर काम करें
• डेस्कटॉप वर्कफ़्लो के लिए Excel में Python के एक मजबूत विकल्प या पूरक के रूप में कार्य करें

विभिन्न एक्सेल पेशेवरों के लिए सर्वश्रेष्ठ लाइब्रेरी स्टैक चुनना

• रिपोर्टिंग विश्लेषकों के लिए: यह संयोजन आपको डेटा साफ़ करने, सारांश बनाने, चार्ट बनाने और पॉलिश किए गए कार्यपुस्तिका आउटपुट निर्यात करने देता है।
  • पांडा
  • Matplotlib
  • Openpyxl
• वित्त और संचालन विश्लेषकों के लिए: यह स्टैक मॉडलिंग, KPI गणना, आवंटन और दोहराने योग्य मासिक रिपोर्टिंग के लिए अच्छा काम करता है।
  • पांडा
  • सीबॉर्न
  • Openpyxl
• उन्नत एनालिटिक्स टीमों के लिए: यह संयोजन आपको डेटा तैयार करने से लेकर पूर्वानुमानित स्कोरिंग से लेकर कार्यपुस्तिका वितरण तक पूरी पाइपलाइन प्रदान करता है।
  • पांडा
  • Matplotlib
  • स्किकिट-लर्न
  • Openpyxl
  • सीबॉर्न

अंतिम विचार