⚡

Excel金融建模与分析技能 xlsx

该技能提供全面的Excel文件处理能力，包括创建、编辑、分析和可视化电子表格，特别强调金融模型中的公式计算、数据格式化和错误预防。适用于股票量化交易、数据分析和财务报告，支持量化策略开发和风险管理。关键词：Excel数据分析，量化金融模型，公式计算，数据可视化，金融Excel技巧，股票量化交易工具

数据分析 0 次安装 0 次浏览 更新于 3/7/2026

名称: xlsx 描述: “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” 许可证: 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模型必须交付时零公式错误（#REF!, #DIV/0!, #VALUE!, #N/A, #NAME?）

保留现有模板（当更新模板时）

  • 在修改文件时，学习和完全匹配现有的格式、样式和惯例
  • 不要对有既定模式的文件强加标准化格式
  • 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，以及用户将为场景更改的数字
  • 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提取的链接
  • 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$#,##0格式；始终在标题中指定单位（“收入（$mm）”)
  • 零值: 使用数字格式将所有零设为“-”，包括百分比（例如，“$#,##0;($#,##0);-”）
  • 百分比: 默认为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正确
  • 检查范围中的偏移错误
  • 确保所有预测期间公式一致
  • 测试边缘情况（零值、负数）
  • 验证没有意外的循环引用

硬编码文档要求

  • 在单元格旁注释或（如果在表末尾）。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, FY2024, 第45页, 收入说明, [SEC EDGAR URL]”
    • “来源：公司10-Q, Q2 2025, 附件99.1, [SEC EDGAR URL]”
    • “来源：彭博终端, 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可用于不同任务。

重要要求

需要LibreOffice进行公式重新计算：您可以假设已安装LibreOffice，使用recalc.py脚本重新计算公式值。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

关键：使用公式，而不是硬编码值

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：用于平均的Python计算
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函数计算平均值
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

  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. 验证和修复任何错误：
    • 脚本返回带有错误详情的JSON
    • 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再次重新计算
    • 常见错误修复：
      • #REF!：无效单元格引用
      • #DIV/0!：除以零
      • #VALUE!：公式中的错误数据类型
      • #NAME?：未识别的公式名称

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(['Row', 'of', 'data'])

# 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"Sheet: {sheet_name}")

# 修改单元格
sheet['A1'] = 'New Value'
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('NewSheet')
new_sheet['A1'] = 'Data'

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，但不包含计算值。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
  • 扫描所有单元格中的Excel错误（#REF!, #DIV/0!等）
  • 返回带有详细错误位置和计数的JSON
  • 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：在构建完整模型之前验证它们提取正确值
  • [ ] 列映射：确认Excel列匹配（例如，列64 = BL，不是BK）
  • [ ] 行偏移：记住Excel行是1索引的（DataFrame行5 = Excel行6）

常见陷阱

  • [ ] NaN处理：使用pd.notna()检查空值
  • [ ] 最右列：FY数据通常在列50+
  • [ ] 多个匹配：搜索所有出现，而不仅仅是第一个
  • [ ] 除以零：在使用/公式前检查分母（#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：在广泛应用前测试2-3个单元格上的公式
  • [ ] 验证依赖：检查公式中引用的所有单元格是否存在
  • [ ] 测试边缘情况：包括零、负数和非常大值

解释recalc.py输出

脚本返回带有错误详情的JSON：

{
  "status": "success",           // 或"errors_found"
  "total_errors": 0,              // 总错误数
  "total_formulas": 42,           // 文件中公式数
  "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：最适合数据分析、批量操作和简单数据导出
  • openpyxl：最适合复杂格式化、公式和Excel特定功能

使用openpyxl

  • 单元格索引是1基的（行=1, 列=1 指单元格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：当为Excel操作生成Python代码时：

  • 编写最小、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print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
  • 记录硬编码值的数据源
  • 包括关键计算和模型部分的注释