输出要求

所有 Excel 文件

专业字体

• 除非用户另有指示，否则所有交付物均使用统一的专业字体（例如，Arial, Times New Roman）。

零公式错误

• 每个交付的 Excel 模型都必须没有任何公式错误（#REF!, #DIV/0!, #VALUE!, #N/A, #NAME?）。

保留现有模板（更新模板时）

• 在修改文件时，仔细研究并严格匹配现有的格式、样式和惯例。
• 切勿对已有既定模式的文件强加标准化格式。
• 现有模板的惯例始终优先于这些指南。

财务模型

颜色编码标准

除非用户或现有模板另有规定。

#### 行业标准颜色惯例

• 蓝色文本 (RGB: 0,0,255)：硬编码输入，以及用户为不同情景分析会更改的数字。
• 黑色文本 (RGB: 0,0,0)：所有公式和计算。
• 绿色文本 (RGB: 0,128,0)：从同一工作簿内其他工作表引用的链接。
• 红色文本 (RGB: 255,0,0)：指向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

#### 必需的格式规则

• 年份：格式化为文本字符串（例如，"2024" 而不是 "2,024"）。
• 货币：使用 $#,##0 格式；始终在标题中指明单位（"收入 ($mm)"）。
• 零值：使用数字格式将所有零值显示为 "-"，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：估值倍数（如 EV/EBITDA, P/E）格式化为 0.0x。
• 负数：使用括号 (123) 而不是负号 -123。

公式构建规则

#### 假设的放置

• 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，而不是硬编码的值。
• 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。
• 检查范围中是否存在差一错误。
• 确保所有预测期间的公式保持一致。
• 使用边界情况（零值、负数）进行测试。
• 验证没有意外的循环引用。

#### 硬编码的文档要求

• 在单元格旁边（如果位于表格末尾）或通过注释进行说明。格式：“来源：[系统/文档]，[日期]，[具体引用]，[URL，如果适用]”。
• 示例：
• “来源：公司 10-K，2024财年，第45页，收入附注，[SEC EDGAR URL]”
• “来源：公司 10-Q，2025年Q2，附件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，共识估算筛选”

XLSX 创建、编辑和分析

概述

用户可能会要求您创建、编辑或分析 .xlsx 文件的内容。针对不同的任务，您有不同的工具和工作流程可用。

重要要求

公式重新计算需要 LibreOffice：您可以假设已安装 LibreOffice，以便使用 scripts/recalc.py 脚本重新计算公式值。该脚本在首次运行时会自动配置 LibreOffice，包括在限制了 Unix 套接字的沙盒环境中（由 scripts/office/soffice.py 处理）。

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，请使用 pandas，它提供了强大的数据处理能力：

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()  # 统计数据

# 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 中计算值后硬编码。 这能确保电子表格保持动态和可更新。

❌ 错误 - 硬编码计算值

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

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

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

✅ 正确 - 使用 Excel 公式

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

# 好实践：将增长率写成 Excel 公式
sheet['C5'] = '=(C4-C2)/C2'

# 好实践：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。电子表格应该能够在源数据更改时重新计算。

通用工作流程

1. 选择工具：pandas 用于数据处理，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。
4. 保存：写入文件。
5. 重新计算公式（如果使用了公式则必须执行）：使用 scripts/recalc.py 脚本。

   python scripts/recalc.py output.xlsx

1. 验证并修复任何错误：

• 该脚本返回包含错误详情的 JSON。
• 如果 status 是 errors_found，检查 error_summary 以获取具体的错误类型和位置。
• 修复已识别的错误并再次重新计算。
• 需要修复的常见错误：
• #REF!：无效的单元格引用。
• #DIV/0!：除以零。
• #VALUE!：公式中的数据类型错误。
• #NAME?：无法识别的公式名称。

创建新的 Excel 文件

# 使用 openpyxl 设置公式和格式
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')

编辑现有的 Excel 文件

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

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

# 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 文件包含的是作为字符串的公式，而不是计算出的值。使用提供的 scripts/recalc.py 脚本来重新计算公式：

python scripts/recalc.py <excel_file> [timeout_seconds]

示例：

python scripts/recalc.py output.xlsx 30

该脚本会：

• 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）。
• 返回包含详细错误位置和计数的 JSON。
• 在 Linux 和 macOS 上均可工作。

公式验证清单

用于确保公式正常工作的快速检查项：

基本验证

• [ ] 测试 2-3 个样本引用：在构建完整模型前，验证它们是否能提取正确的值。
• [ ] 列映射：确认 Excel 列匹配（例如，第 64 列是 BL，而不是 BK）。
• [ ] 行偏移：记住 Excel 行是 1-索引的（DataFrame 的第 5 行 = Excel 的第 6 行）。

常见陷阱

• [ ] NaN 处理：使用 pd.notna() 检查空值。
• [ ] 靠右的列：财年数据通常在第 50 列之后。
• [ ] 多个匹配项：搜索所有出现的地方，而不仅仅是第一个。
• [ ] 除以零：在使用 / 公式前检查分母（#DIV/0!）。
• [ ] 错误的引用：验证所有单元格引用都指向预期的单元格（#REF!）。
• [ ] 跨工作表引用：使用正确的格式（Sheet1!A1）来链接工作表。

公式测试策略

• [ ] 从小处着手：在广泛应用前，先在 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都存在。
• [ ] 测试边界情况：包括零值、负值和非常大的值。

解读 scripts/recalc.py 的输出

该脚本返回包含错误详情的 JSON：

{
  "status": "success",           // 或 "errors_found"
  "total_errors": 0,              // 错误总数
  "total_formulas": 42,           // 文件中的公式数量
  "error_summary": {              // 仅在发现错误时出现
    "#REF!": {
      "count": 2,
      "locations": ["Sheet1!B5", "Sheet1!C10"]
    }
  }
}

最佳实践

库的选择

• pandas：最适合数据分析、批量操作和简单的数据导出。
• openpyxl：最适合复杂的格式化、公式和 Excel 特定功能。

使用 openpyxl

• 单元格索引是 1-基的（row=1, column=1 指的是单元格 A1）。
• 使用 data_only=True 来读取计算出的值：load_workbook('file.xlsx', data_only=True)。
• 警告：如果以 data_only=True 模式打开并保存，公式将被值替换并永久丢失。
• 对于大文件：读取时使用 read_only=True，写入时使用 write_only=True。
• 公式会被保留但不会被求值——使用 scripts/recalc.py 来更新值。

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：在生成用于 Excel 操作的 Python 代码时：

• 编写简洁、精炼的 Python 代码，不要加不必要的注释。
• 避免冗长的变量名和多余的操作。
• 避免不必要的 print 语句。

对于 Excel 文件本身：

• 为复杂的公式或重要的假设添加注释。
• 为硬编码的值记录数据来源。
• 为关键计算和模型部分添加说明。