前两天帮同事整理实验数据，碰到一个很典型的需求：三台仪器的数据各自独立存在三个CSV文件里，记录时间长短不一，采样的间隔也不一样，最后要求汇总到同一张Excel表里，温度放A列、湿度放C列、压强放E列，各占各的列，互不干扰。用pandas做这个，看起来两分钟就能搞定——把每个CSV读成Series，写进Excel对应列就行。可实操的时候问题一个接一个，从索引错位到sheet被覆盖，连时间格式都差点翻车。今天就把完整思路和踩坑记录整理出来，希望能帮到同样被"pandas写入不同时间序列到Excel指定列"折磨过的人。
1. 核心分歧点：你说的"写进指定列"，其实有四种不同的期待
1.1 先确认你的场景，再决定选哪条路线
很多人在提问时只说"把两个时间序列写入Excel指定列"，但对"指定列"的理解差异非常大。我自己总结了四个高频场景：
- 场景A：两个序列的时间索引完全一致或接近，比如同一时刻记录的温度和湿度，最终希望它们成为一张宽表里的两列，同一行时间对应两列数值。
- 场景B：两个序列没有多少时间交集，比如一个从昨天开始记录，一个从上周开始记录，只要求呈现在同一张sheet上，各占一列，不需要强行对齐。
- 场景C：目标Excel文件已经存在，里面已经有正式数据和格式，我只想往某几个空白列补新数据，绝对不能把原来的内容覆盖掉。
- 场景D：除了写数据，还要求时间显示成"yyyy-mm-dd hh:mm"、小数位固定、列宽符合交付规范，打开文件就是别人习惯看到的样子。
这四个场景看着相似，但实现的代码差异非常大。场景A用一个pd.concat就能解决；场景B和场景C往往需要借助startcol、openpyxl这类"按位置写入"的手段；场景D则要求跳出pandas，直接用Excel底层对象做格式控制。我见过不少把场景B的问题硬套场景A方案的例子，结果就是两个序列被pandas自动对齐，多出一堆NaN，好好的数据变成一张满是空格的表，跟用户想要的东西完全是两回事。
1.2 "时间序列"落到Excel里，到底是几列
"时间序列"这个词在pandas语境里通常是带DatetimeIndex的Series，但落到Excel里，你要展示的其实是两种东西：一种是"数值随时间变化，时间轴只是索引"，另一种是"时间和数值需要分开显示成两列"。
前者写入时把index设为True，索引会自动落到第一列；后者通常要先reset_index()再写入，或者用startcol控制写到指定列。这个区别会在"指定列"的场景里放大：如果你想把第二个序列写到C列，但它的时间索引会先占掉C列、数值跑D列，列位置就全乱了。所以很多"越写越偏"的问题，根源不在于pandas不会写，而在于没有提前想清楚索引在最终文件里要不要占用一列。
1.3 列名和列位置，其实是两件不同的事
还有一个容易被忽略的关键区别："指定列"到底指列名，还是列序号。比如你想把温度写到"temperature"这一列，跟你想把它写到第3列（C列），代码逻辑完全不一样。
pandas的to_excel本身是按位置写入，startcol=0就是A列、startcol=2就是C列。但如果你只知道目标列的表头名称，就得先读一遍现有sheet的结构，找到"temperature"在第几列，再决定写入位置。用openpyxl可以通过ws.iter_rows()读第一行表头来定位列号。我建议正式写代码之前，先打印一下当前sheet的列结构，看看max_column到底是多少，这能避免把数据写到一个完全不在预期的位置。
2. 最省心的路线：用concat把多个Series拼成宽表，一步到位落盘
2.1 concat(axis=1) 的正确姿势
如果你的场景符合A——不同序列时间索引相同，或者允许对齐——我强烈建议直接用pd.concat(axis=1)把多个Series拼成一个DataFrame。这应该作为首选，因为它让pandas帮你处理"对齐"这件最容易出错的步骤，最后只需要一次to_excel，非常稳。
import pandas as pd temp = pd.Series( [22.1, 22.3, 22.5, 22.8], index=pd.to_datetime(['2024-01-01 08:00', '2024-01-01 09:00', '2024-01-01 10:00', '2024-01-01 11:00']), name='温度' ) humi = pd.Series( [58.2, 57.9, 57.5], index=pd.to_datetime(['2024-01-01 08:00', '2024-01-01 09:00', '2024-01-01 10:00']), name='湿度' ) df = pd.concat([temp, humi], axis=1) print(df)输出长这样：
温度 湿度 2024-01-01 08:00 22.1 58.2 2024-01-01 09:00 22.3 57.9 2024-01-01 10:00 22.5 57.5 2024-01-01 11:00 22.8 NaN默认情况下concat会取索引的并集（outer），某个序列没有的时刻自动补NaN。如果你的数据长度完全一致、时间完全对齐，结果就是一张干净宽表；如果像上面这样有一个序列少一个点，Excel对应格子就是空值。这里的小细节：不想看到NaN，可以提前用dropna()删掉无数据的行，或者用fillna()填充，但要注意这会把两个序列的样本点都筛掉，有时并不合适。
2.2 列顺序和命名怎么控制
拼完之后，列名默认取Series的name。如果几个序列都叫"value"，最后会变成"value"和"value.1"，很丑。两个办法：一是每个Series都先.rename()起好名字；二是在concat里用keys参数：
df = pd.concat([temp, humi], axis=1, keys=['温度', '湿度'])keys会在DataFrame顶部加一层MultiIndex列名，写入Excel时默认仍保留这两列名。如果你用了keys，建议后续df.columns = ['温度', '湿度']把MultiIndex拍平，否则Excel里的列名会显示成带括号的元组。这个坑我实际遇到过，当时还以为是pandas版本问题，折腾了半天才发现是MultiIndex在作怪。
2.3 to_excel落盘时的两个关键参数
拼好之后写入Excel就简单了：
df.to_excel('wide_table.xlsx', sheet_name='Sheet1', index=True)index=True是默认值，作用是把DatetimeIndex作为第一列写进Excel。如果你不想保存索引，可以用index=False，但时间序列一旦丢掉索引，整张表就只剩一列数据，以后想追溯对应时间很麻烦。另外，to_excel的columns参数可以用来控制输出哪些列、按什么顺序输出，在宽表有很多列时很实用。
这种路线的优点是代码最少、稳定、不容易出错；缺点是必须先"对齐"并生成一张完整宽表。如果是往已经存在的Excel文件里补列，它就帮不上忙了。下面展开其他场景的解法。
3. 官方支持的按列覆盖写法：to_excel的startcol与if_sheet_exists联用
3.1 同一个sheet为什么不能连续to_excel写入两次
如果你已经有一个Excel文件，想用pandas往里面追加一列，很多人第一反应是：
with pd.ExcelWriter('result.xlsx', engine='openpyxl') as writer: df1.to_excel(writer, sheet_name='Sheet1', startcol=0) df2.to_excel(writer, sheet_name='Sheet1', startcol=2)这个写法在pandas旧版本上可能还能跑通，但新版本会直接抛ValueError：Sheet 'Sheet1' already exists。原因是新版pandas把"重复写同一个sheet"的默认行为设成了error，目的是防止误覆盖。这个看起来理所当然的写法，其实是很多人的第一个大坑。我第一次遇到时查了半天文档，才明白是版本升级后的行为变化。
3.2 overlay模式：支持"部分覆盖"的追加方式
pandas 1.4之后的ExcelWriter增加了一个if_sheet_exists参数，可选值包括error、new、replace、overlay。对"往已有sheet指定列写数据"这个需求，overlay几乎是为它量身定做的：它允许你打开已有文件，把新内容覆盖到指定区域，同时保留区域之外的原有数据和格式。
with pd.ExcelWriter('result.xlsx', engine='openpyxl', mode='a', if_sheet_exists='overlay') as writer: df1.to_excel(writer, sheet_name='Sheet1', startcol=0, startrow=0) df2.to_excel(writer, sheet_name='Sheet1', startcol=3, startrow=0)这里df1从第0列开始写，df2从第3列开始写，互不干扰。要注意的是startcol的单位是列序号，从0开始计数，startcol=0就是A列。如果你想把时间索引也写进去，df2的DatetimeIndex会出现在第3列、数值出现在第4列；如果已经有了统一的时间列，通常让df2的索引不写进Excel，也就是index=False，只写值。
还有一个前置条件值得提醒：mode='a'要求目标文件已经存在，否则openpyxl引擎会找不到工作簿直接报FileNotFoundError。如果文件还不存在，先创建一个空文件，或者先用mode='w'初始化一次，再进入append模式。
3.3 overlay模式最大的隐形坑：残留数据不会自动清空
用overlay一段时间后，我碰到一个非常难排查的问题。第一次往A列写1000行数据，后面因为数据修正，想重新覆盖同一个A列，但新的数据只有800行。用overlay写完，表格里A列第801到1000行会保留上一次写入的老数据，不报错，也没有任何提示。原因在于overlay本质只是把新内容覆盖到旧内容上，并不负责删除超出新内容范围的旧单元格。
这一点在"往指定列写不同的时间序列"时尤其容易触发：前后两次序列长度不一样是常态，一旦第二次比第一次短，残留数据就会导致Excel里出现脏数据。以前我排查一个类似问题花了整整一下午，最后才发现是残留行在捣鬼。所以用overlay前，务必确认目标列之前是空的，或者先把目标列区域手动清空再执行写入。如果你需要反复重写同一列，我更推荐用下面第4章的openpyxl方式，它能把区域内单元格先清一遍，从根上规避残留问题。
4. 精细控制路线：直接用openpyxl逐单元格写入，灵活度最高
4.1 从ExcelWriter拿到最底层的worksheet对象
pandas的to_excel本质上是通过engine把DataFrame转交给Excel库，而ExcelWriter内部其实已经持有底层worksheet对象。在很多需要精确控制单个单元格的场景里，直接越过to_excel、操作writer.sheets[sheet_name]会更顺手。更常见的做法是直接用openpyxl自己打开工作簿：
from pathlib import Path import pandas as pd from openpyxl import Workbook, load_workbook out_path = Path('target.xlsx') if out_path.exists(): wb = load_workbook(out_path) else: wb = Workbook() ws = wb.active拿到ws之后，所有写入都变成ws.cell(row=..., column=...)这种形式。看起来更底层，但好处非常明显：你可以精确控制每个单元格、每个格式，不再被pandas的DataFrame写入逻辑约束。
4.2 多个时间序列各写各的列
下面用两套时间序列举例。第一个序列是30分钟间隔的温度，第二个序列是1小时间隔的湿度，两者起点不同、长度不同，写入同一张sheet的A列和C列：
temp_series = pd.Series( [23.1, 23.5, 24.0, 24.3, 23.8, 23.2], index=pd.date_range('2024-03-01 08:00', periods=6, freq='30min') ) humi_series = pd.Series( [45.2, 46.1, 45.6, 44.8, 44.2, 43.9, 43.5], index=pd.date_range('2024-03-01 02:10', periods=7, freq='1h') ) def write_with_style(ws, series, start_col, name, start_row=1): time_col = start_col val_col = start_col + 1 ws.cell(row=start_row, column=time_col, value='时间') ws.cell(row=start_row, column=val_col, value=name) for offset, (idx, val) in enumerate(series.items(), start=1): row = start_row + offset time_cell = ws.cell(row=row, column=time_col, value=idx) time_cell.number_format = 'yyyy-mm-dd hh:mm' if not pd.isna(val): ws.cell(row=row, column=val_col, value=float(val)) else: ws.cell(row=row, column=val_col, value=None) write_with_style(ws, temp_series, 1, '温度') write_with_style(ws, humi_series, 3, '湿度') wb.save('target.xlsx')这段代码每个序列占两列：时间戳一列，数值一列。温度在A、B列，湿度在C、D列，互不干扰。如果项目里的Excel已经有统一时间轴，只想让每个序列占一列，那就把循环里写时间戳的部分去掉，只把val写到指定列即可。
4.3 时间格式和NaN的处理细节
用openpyxl写入datetime对象时，单元格会被识别成时间类型，但Excel默认显示格式经常是"m/d/yyyy"这种美式样式。想改成中文习惯里的"yyyy-mm-dd hh:mm"，在写入后追加一个number_format即可，这个属性直接决定打开文件后看到的是日期还是那一串奇怪数字。另外，写入时间时建议固定用带秒的格式，避免后续核对的时候因为缺少秒级精度对不上数据。
另一件必须留意的事是NaN处理。Series里经常出现NaN，尤其在concat对齐后。直接写np.float64的NaN给ws.cell，某些环境下不会报错，但Excel打开后可能显示异常，保存再读取时还可能变成'#NUM!'。所以写入前一定要判断，我用的是if not pd.isna(val)，或者统一fillna()处理。养成这个习惯之后，Excel文件里不会再出现莫名其妙的错误单元格。
4.4 什么时候不值得用openpyxl手动方案
说完优点，也得说说代价。逐单元格循环在数据量大时相当慢，我实测过，一万行一列的数据用openpyxl逐行写大约需要两三秒，到十万行就可能超过半分钟；如果还要加样式，速度更差。百万行、几十列的大规模数据，应该考虑xlsxwriter引擎或者干脆导出csv。openpyxl手动方案真正的价值在于"少量列 + 需要精确控制格式 + 已有复杂文件结构"的场景，这种时候慢一点完全值得，毕竟正确性和可交付性比省两秒重要得多。
5. 三个实战踩坑，每个都让我缓了好一阵
5.1 踩坑一：同样一张sheet，第二次to_excel直接报"already exists"
这个坑前面讲overlay时提到过，我再把完整链路说一遍。当时我的项目文件是已经排好格式的Excel，想往里面追加两列数据。我一开始写的是：
with pd.ExcelWriter('report.xlsx', engine='openpyxl', mode='a') as writer: pd.DataFrame(...).to_excel(writer, sheet_name='汇总') pd.DataFrame(...).to_excel(writer, sheet_name='汇总')结果第二次to_excel直接抛ValueError。一开始我以为是文件权限问题，后来才发现是pandas对重复sheet名的保护。版本升级之后这个报错非常明显，但如果还在用老版本，可能不会报错而是默默覆盖整张表，那比报错更可怕。经过这个坑，我给自己定了一条规则：凡是需要在已有Excel里补列，优先考虑overlay；凡是重建整个sheet，就用replace；坚决不拿默认行为去赌版本差异。
5.2 踩坑二：timezone-aware的时间戳，写入后变成奇怪的数字
有一次需要把带北京时间的时间索引写入Excel，直接用了to_excel，结果打开Excel发现时间列变成了一串串浮点数。原因在于pandas在写入带时区的DatetimeIndex时，底层转换发生了偏差。遇到这种情况，写入前先去掉时区：
idx = series.index if getattr(idx, 'tz', None) is not None: idx = idx.tz_localize(None) # 保留本地墙钟时间 series = series.copy() series.index = idx如果数据涉及跨时区业务，tz_convert(None)会把时间先转成UTC再去掉时区，两种做法的语义不同，要根据需求二选一。这个坑不常见，但一旦碰上，排查时间成本特别高，尤其是当你把时间列和数值列分开写入Excel时，很容易被这一串浮点数搞懵。
5.3 踩坑三：NaN占位导致Excel出现莫名空行和错位
我在一个实验数据整理任务里，把对齐后的两个时间序列写入Excel，准备交给同事看。同事反馈"中间有几行数据对不上"。排查后发现根本不是数据算错，而是concat对齐产生的NaN在to_excel中正常显示为空，但后续我要用openpyxl继续往其他列写数据时，行号是按DataFrame的行号算的，漏掉了那些空行，于是后续列的数据整体位移了几行。
这个问题的根源在于：Excel中的空行其实还在，行号没有变，只是显示为空。解决办法是提前约定好要不要保留这些空行：如果想让两个序列对齐时缺失值为空，那后续就继续用pandas而不手动按行号写；如果手动写，就要用明确的绝对行号，而不是相对循环里的索引。现在我做类似任务时，都会先fillna('')或者在写入前明确处理NaN，避免这种隐蔽错位问题。
6. 综合实战：两套频率完全不同的时间序列，落进同一张表指定列
6.1 造一组贴近真实的数据
为了把前面的要点串起来，我模拟一个真实场景：一套数据是每30分钟记录的温度，另一套是每小时记录的湿度，时间起点不一样，长度也不一样。这正是"不同的时间序列"最典型的形态：
import pandas as pd temp_series = pd.Series( [23.1, 23.5, 24.0, 24.3, 23.8, 23.2], index=pd.date_range('2024-03-01 08:00', periods=6, freq='30min') ) humi_series = pd.Series( [45.2, 46.1, 45.6, 44.8, 44.2, 43.9, 43.5, 42.8], index=pd.date_range('2024-03-01 02:10', periods=8, freq='1h') )6.2 完整实现：用openpyxl一次搞定列位置、时间格式和空值处理
基于第4章的思路，我写一个更完整的版本：
from pathlib import Path import pandas as pd from openpyxl import Workbook, load_workbook out_path = Path('time_series_columns.xlsx') if out_path.exists(): wb = load_workbook(out_path) else: wb = Workbook() ws = wb.active ws.title = '汇总' def write_series_to_columns(ws, series, start_col, name): time_col = start_col val_col = start_col + 1 ws.cell(row=1, column=time_col, value='时间') ws.cell(row=1, column=val_col, value=name) for row_off, (idx, val) in enumerate(series.items(), start=1): row = row_off + 1 time_cell = ws.cell(row=row, column=time_col, value=idx) time_cell.number_format = 'yyyy-mm-dd hh:mm:ss' if pd.notna(val): ws.cell(row=row, column=val_col, value=float(val)) else: ws.cell(row=row, column=val_col, value=None) write_series_to_columns(ws, temp_series, 1, '温度') write_series_to_columns(ws, humi_series, 3, '湿度') write_series_to_columns(ws, (humi_series * 0.9 + 5), 5, '修正湿度') wb.save(out_path)这里写入了三块数据：温度占A、B列，湿度占C、D列，修正湿度占E、F列，彼此互不干扰。把数值显式转成float，是为了防止numpy类型在openpyxl里出现不可预期的行为，这个习惯能避免很多奇怪的报错。如果你希望每一块只占一列而不是两列，改一下函数逻辑就行，核心思路完全一样。
6.3 打开Excel后建议做的三项检查
写完代码不是结束，我保存文件后一定会做三件事：第一，用另一个程序重新读取这个Excel，检查时间列显示的是不是"yyyy-mm-dd hh:mm:ss"格式，而不是一串数字；第二，核对每列的行数——温度列6行、湿度列8行、修正湿度列8行，哪一列异常就检查对应写入循环；第三，检查有没有莫名其妙的空单元格或#NUM!错误，这通常是NaN没处理好。这三项做完，基本可以放心交付。
写到最后，我突然想起自己第一次被"Sheet already exists"卡住时的场景，翻了半小时文档才反应过来，当时还以为是文件被占用。这次把这些坑都摊开写在这里，能帮你省下那半小时，也不枉我踩过这一轮。
