⚡

Excel电子表格综合操作技能Skill xlsx

这个技能用于全面处理Excel电子表格，包括创建、编辑、分析、公式计算和数据可视化。它支持金融建模、数据整理、商业智能报告等场景，使用Python库如pandas和openpyxl确保高效操作和SEO关键词优化，如Excel数据分析、金融模型构建、数据可视化工具、量化金融、ETL开发。

数据分析 0 次安装 0 次浏览 更新于 3/17/2026

name: xlsx description: “全面的电子表格创建、编辑和分析，支持公式、格式化、数据分析和可视化。当Claude需要处理电子表格文件（.xlsx、.xlsm、.csv、.tsv等）时，用于：(1) 创建带有公式和格式的新电子表格，(2) 读取或分析数据，(3) 修改现有电子表格同时保留公式，(4) 在电子表格中进行数据分析和可视化，或(5) 重新计算公式” license: 专有。LICENSE.txt包含完整条款

输出要求

所有Excel文件

零公式错误

  • 每个Excel模型必须交付时无任何公式错误（#REF!、#DIV/0!、#VALUE!、#N/A、#NAME?）

保留现有模板（更新模板时）

  • 学习并精确匹配现有格式、样式和惯例当修改文件时
  • 切勿对具有既定模式的文件施加标准化格式化
  • 现有模板惯例始终覆盖这些指南

金融模型

颜色编码标准

除非用户或现有模板另有说明

行业标准颜色惯例

  • 蓝色文本（RGB: 0,0,255）: 硬编码输入，以及用户将更改以进行场景的数字
  • 黑色文本（RGB: 0,0,0）: 所有公式和计算
  • 绿色文本（RGB: 0,128,0）: 从同一工作簿中其他工作表拉取的链接
  • 红色文本（RGB: 255,0,0）: 链接到其他文件的外部链接
  • 黄色背景（RGB: 255,255,0）: 需要关注的关键假设或需要更新的单元格

数字格式化标准

必需格式规则

  • 年份: 格式化为文本字符串（例如，“2024”而不是“2,024”）
  • 货币: 使用$#,##0格式；始终在标题中指定单位（“收入（$百万）”）
  • 零值: 使用数字格式化使所有零值显示为“-”，包括百分比（例如，“$#,##0;($#,##0);-”）
  • 百分比: 默认使用0.0%格式（一位小数）
  • 倍数: 格式化为0.0x用于估值倍数（EV/EBITDA、P/E）
  • 负数: 使用括号（123）而不是减号-123

公式构建规则

假设放置

  • 将所有假设（增长率、利润率、倍数等）放在单独的假设单元格中
  • 在公式中使用单元格引用而不是硬编码值
  • 示例：使用=B5*(1+$B$6)而不是=B5*1.05

公式错误预防

  • 验证所有单元格引用是否正确
  • 检查范围内的偏移错误
  • 确保所有预测期间的公式一致
  • 测试边界情况（零值、负数）
  • 验证无意外循环引用

硬编码文档要求

  • 注释或在单元格旁边（如果表格末尾）。格式：“来源：[系统/文档]，[日期]，[具体参考]，[URL如果适用]”
  • 示例：
    • “来源：公司10-K，2024财年，第45页，收入备注，[SEC EDGAR URL]”
    • “来源：公司10-Q，2025年第二季度，Exhibit 99.1，[SEC EDGAR URL]”
    • “来源：Bloomberg Terminal，2025年8月15日，AAPL US Equity”
    • “来源：FactSet，2025年8月20日，共识估计屏幕”

XLSX创建、编辑和分析

概述

用户可能要求您创建、编辑或分析.xlsx文件的内容。您有不同的工具和工作流程可用于不同任务。

重要要求

需要LibreOffice用于公式重新计算：您可以假设LibreOffice已安装，用于使用recalc.py脚本重新计算公式值。该脚本在首次运行时自动配置LibreOffice

读取和分析数据

使用pandas进行数据分析

对于数据分析、可视化和基本操作，使用pandas，它提供强大的数据操作能力：

import pandas as pd

# 读取Excel
df = pd.read_excel('file.xlsx')  # 默认：第一个工作表
all_sheets = pd.read_excel('file.xlsx', sheet_name=None)  # 所有工作表作为字典

# 分析
df.head()      # 预览数据
df.info()      # 列信息
df.describe()  # 统计信息

# 写入Excel
df.to_excel('output.xlsx', index=False)

Excel文件工作流程

关键：使用公式，而非硬编码值

始终使用Excel公式而不是在Python中计算值并硬编码它们。 这确保电子表格保持动态和可更新。

❌ 错误 - 硬编码计算值

# 错误：在Python中计算并硬编码结果
total = df['Sales'].sum()
sheet['B10'] = total  # 硬编码5000

# 错误：在Python中计算增长率
growth = (df.iloc[-1]['Revenue'] - df.iloc[0]['Revenue']) / df.iloc[0]['Revenue']
sheet['C5'] = growth  # 硬编码0.15

# 错误：Python计算平均值
avg = sum(values) / len(values)
sheet['D20'] = avg  # 硬编码42.5

✅ 正确 - 使用Excel公式

# 正确：让Excel计算总和
sheet['B10'] = '=SUM(B2:B9)'

# 正确：增长率作为Excel公式
sheet['C5'] = '=(C4-C2)/C2'

# 正确：使用Excel函数平均值
sheet['D20'] = '=AVERAGE(D2:D19)'

这适用于所有计算 - 总计、百分比、比率、差异等。电子表格应在源数据更改时能够重新计算。

常见工作流程

  1. 选择工具: pandas用于数据，openpyxl用于公式/格式化
  2. 创建/加载: 创建新工作簿或加载现有文件
  3. 修改: 添加/编辑数据、公式和格式化
  4. 保存: 写入文件
  5. 重新计算公式（如果使用公式则强制）: 使用recalc.py脚本
    python recalc.py output.xlsx
  6. 验证并修复任何错误:
    • 脚本返回JSON，包含错误详情
    • 如果status是errors_found，检查error_summary获取特定错误类型和位置
    • 修复识别出的错误并重新计算
    • 常见错误修复：
      • #REF!: 无效单元格引用
      • #DIV/0!: 除以零
      • #VALUE!: 公式中错误数据类型
      • #NAME?: 未识别公式名称

创建新Excel文件

# 使用openpyxl进行公式和格式化
from openpyxl import Workbook
from openpyxl.styles import Font, PatternFill, Alignment

wb = Workbook()
sheet = wb.active

# 添加数据
sheet['A1'] = 'Hello'
sheet['B1'] = 'World'
sheet.append(['行', '数据'])

# 添加公式
sheet['B2'] = '=SUM(A1:A10)'

# 格式化
sheet['A1'].font = Font(bold=True, color='FF0000')
sheet['A1'].fill = PatternFill('solid', start_color='FFFF00')
sheet['A1'].alignment = Alignment(horizontal='center')

# 列宽
sheet.column_dimensions['A'].width = 20

wb.save('output.xlsx')

编辑现有Excel文件

# 使用openpyxl保留公式和格式化
from openpyxl import load_workbook

# 加载现有文件
wb = load_workbook('existing.xlsx')
sheet = wb.active  # 或 wb['SheetName'] 用于特定工作表

# 处理多个工作表
for sheet_name in wb.sheetnames:
    sheet = wb[sheet_name]
    print(f"工作表: {sheet_name}")

# 修改单元格
sheet['A1'] = '新值'
sheet.insert_rows(2)  # 在位置2插入行
sheet.delete_cols(3)  # 删除第3列

# 添加新工作表
new_sheet = wb.create_sheet('新工作表')
new_sheet['A1'] = '数据'

wb.save('modified.xlsx')

重新计算公式

由openpyxl创建或修改的Excel文件包含公式作为字符串但未计算值。使用提供的recalc.py脚本重新计算公式：

python recalc.py <excel_file> [timeout_seconds]

示例：

python recalc.py output.xlsx 30

脚本：

  • 首次运行时自动设置LibreOffice宏
  • 重新计算所有工作表中的所有公式
  • 扫描所有单元格以查找Excel错误（#REF!、#DIV/0!等）
  • 返回JSON，包含详细错误位置和计数
  • 在Linux和macOS上工作

公式验证清单

快速检查以确保公式正常工作：

基本验证

  • [ ] 测试2-3个样本引用: 在构建完整模型前验证它们拉取正确值
  • [ ] 列映射: 确认Excel列匹配（例如，第64列 = BL，不是BK）
  • [ ] 行偏移: 记住Excel行是1索引（DataFrame行5 = Excel行6）

常见陷阱

  • [ ] NaN处理: 使用pd.notna()检查空值
  • [ ] 最右列: 财年数据通常在50+列
  • [ ] 多个匹配: 搜索所有出现，不仅仅是第一个
  • [ ] 除以零: 在公式中使用/前检查分母（#DIV/0!）
  • [ ] 错误引用: 验证所有单元格引用指向预期单元格（#REF!）
  • [ ] 跨工作表引用: 使用正确格式（Sheet1!A1）链接工作表

公式测试策略

  • [ ] 从小开始: 在广泛应用前在2-3个单元格上测试公式
  • [ ] 验证依赖项: 检查公式中引用的所有单元格存在
  • [ ] 测试边界情况: 包括零、负值和极大值

解释recalc.py输出

脚本返回JSON，包含错误详情：

{
  "status": "success",           // 或 "errors_found"
  "total_errors": 0,              // 总错误计数
  "total_formulas": 42,           // 文件中公式数量
  "error_summary": {              // 仅当发现错误时存在
    "#REF!": {
      "count": 2,
      "locations": ["Sheet1!B5", "Sheet1!C10"]
    }
  }
}

最佳实践

库选择

  • pandas: 最佳用于数据分析、批量操作和简单数据导出
  • openpyxl: 最佳用于复杂格式化、公式和Excel特定功能

使用openpyxl

  • 单元格索引是1基于的（行=1，列=1引用单元格A1）
  • 使用data_only=True读取计算值：load_workbook('file.xlsx', data_only=True)
  • 警告: 如果以data_only=True打开并保存，公式将被值替换并永久丢失
  • 对于大文件：使用read_only=True进行读取或write_only=True进行写入
  • 公式被保留但未评估 - 使用recalc.py更新值

使用pandas

  • 指定数据类型以避免推断问题：pd.read_excel('file.xlsx', dtype={'id': str})
  • 对于大文件，读取特定列：pd.read_excel('file.xlsx', usecols=['A', 'C', 'E'])
  • 正确处理日期：pd.read_excel('file.xlsx', parse_dates=['date_column'])

代码风格指南

重要: 当生成用于Excel操作的Python代码时：

  • 编写最小化、简洁的Python代码，无需不必要注释
  • 避免冗长变量名和冗余操作
  • 避免不必要的打印语句

对于Excel文件本身：

  • 为复杂公式或重要假设的单元格添加注释
  • 文档化硬编码值的数据来源
  • 包含关键计算和模型部分的笔记