嘿，这个场景我太有经验了！用三层循环处理大量工作表的聚合，不仅代码写起来麻烦，数据量大的时候速度慢到让人崩溃。咱们直接用pandas来搞定，全程用矢量运算，完全不用嵌套循环，效率拉满。

核心思路 #

利用pandas的批量读取+分组求和能力，所有操作都是底层优化过的矢量运算，比Python原生循环快几个数量级，完美适配你说的“工作表多、数据维度大”的场景。

具体实现步骤 #

1. 先装依赖

首先确保你安装了pandas和处理Excel的引擎（openpyxl用于xlsx格式，xlrd用于xls）：

pip install pandas openpyxl

2. 编写可运行代码

每一步都加了注释，直接替换路径就能用：

import pandas as pd

# 替换成你的Excel文件实际路径
excel_file = "你的工作簿名称.xlsx"

# 1. 批量读取所有工作表的目标区域（I9起始）
data_frames = []
with pd.ExcelFile(excel_file) as xls:
    # 遍历工作簿里的每个工作表
    for sheet_name in xls.sheet_names:
        # 精准读取I9开始的数据：
        # - skiprows=8：跳过前8行（I9是第9行，索引从0开始计数）
        # - usecols="I:"：只读取I列及右侧所有列
        # - header=None：表示数据没有表头，第一列是AA/AT这类行标识
        df = pd.read_excel(xls, sheet_name=sheet_name, skiprows=8, usecols="I:", header=None)
        # 把第一列设为行索引，方便后续按标识分组求和
        df = df.set_index(0)
        data_frames.append(df)

# 2. 合并所有数据并按行标识自动求和
# concat纵向合并所有表，groupby按行索引（AA/AT等）分组，sum自动对每列做聚合
aggregated_result = pd.concat(data_frames).groupby(level=0).sum()

# 3. 将结果写入原工作簿的新工作表
# mode="a"表示追加模式，if_sheet_exists="replace"表示如果"聚合结果"表已存在就替换
with pd.ExcelWriter(excel_file, mode="a", engine="openpyxl", if_sheet_exists="replace") as writer:
    # startrow=8、startcol=8对应写入到I9位置（行和列都从0开始计数）
    aggregated_result.to_excel(writer, sheet_name="聚合结果", startrow=8, startcol=8)

为什么这个方法比循环好？ #

• 无嵌套循环：所有核心操作（合并、求和）都是pandas底层用C实现的矢量运算，彻底避免了Python循环的性能开销
• 自动处理差异：如果不同工作表的行顺序不一样、甚至有缺失的行，groupby会自动对齐行标识，缺失的行在求和时会被当作0处理
• 可扩展性强：不管你有10个还是1000个工作表，代码都不用改，运行效率不会有明显下降

额外注意点 #

• 如果你的Excel是.xls格式，把代码里的engine="openpyxl"改成engine="xlrd"即可
• 如果原始数据的行标识（AA/AT这些）有重复，groupby会自动把同一标识的行合并求和，完全符合需求

内容的提问来源于stack exchange，提问作者Tanmay