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(.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) 电子表格中的数据分析和可视化，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模型必须以零公式错误交付（#REF!、#DIV/0!、#VALUE!、#N/A、#NAME?）

保留现有模板（更新模板时）

修改文件时，研究并完全匹配现有格式、风格和约定
不要对具有既定模式的文件强加标准化格式
现有模板约定始终覆盖这些指导原则

财务模型

颜色编码标准

除非用户或现有模板另有说明

行业标准颜色约定

蓝色文字 (RGB: 0,0,255)：硬编码输入和用户在场景中将更改的数字
黑色文字 (RGB: 0,0,0)：所有公式和计算
绿色文字 (RGB: 0,128,0)：从同一工作簿内其他工作表提取的链接
红色文字 (RGB: 255,0,0)：到其他文件的外部链接
黄色背景 (RGB: 255,255,0)：需要注意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"而非"2,024"）
货币：使用$#,##0格式；在标题中始终指定单位（"Revenue ($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：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都正确
检查范围中的差一错误
确保所有预测期间的公式一致
使用边缘情况测试（零值、负数）
验证没有意外的循环引用

硬编码的文档要求

在单元格旁边注释（如果在表格末尾）。格式："来源：[系统/文档]，[日期]，[具体引用]，[URL，如适用]"
示例：
- "来源：公司10-K，2024财年，第45页，收入注释，[SEC EDGAR URL]"
- "来源：公司10-Q，2025年第二季度，展品99.1，[SEC EDGAR URL]"
- "来源：Bloomberg终端，2025年8月15日，AAPL US Equity"
- "来源：FactSet，2025年8月20日，一致预期屏幕"

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。您有不同的工具和工作流程可用于不同的任务。

重要要求

LibreOffice公式重新计算所需：您可以假设安装了LibreOffice，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

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

# 坏：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

# 坏：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

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

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

# 好：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。当源数据更改时，电子表格应该能够重新计算。

常见工作流程

选择工具：数据使用pandas，公式/格式化使用openpyxl
创建/加载：创建新工作簿或加载现有文件
修改：添加/编辑数据、公式和格式
保存：写入文件
重新计算公式（如果使用公式则必须）：使用recalc.py脚本
```
python recalc.py output.xlsx
```
验证并修复任何错误：
- 脚本返回包含错误详细信息的JSON
- 如果status是errors_found，检查error_summary以获取特定错误类型和位置
- 修复识别的错误并重新计算
- 要修复的常见错误：
  - #REF!：无效单元格引用
  - #DIV/0!：除以零
  - #VALUE!：公式中错误的数据类型
  - #NAME?：无法识别的公式名称

创建新的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
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)  # 删除列3

# 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：

在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

确保公式正确工作的快速检查：

必要验证

测试2-3个示例引用：在构建完整模型之前验证它们提取正确的值
列映射：确认Excel列匹配（例如，列64 = BL，而不是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数据通常在第50+列中
多个匹配项：搜索所有出现项，不仅仅是第一个
除以零：在公式中使用"/"之前检查分母（#DIV/0!）
错误引用：验证所有单元格引用指向预期的单元格（#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：在大规模应用之前在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都存在
测试边缘情况：包括零、负数和非常大的值

解释recalc.py输出

脚本返回包含错误详细信息的JSON：

{
  "status": "success",           // 或"errors_found"
  "total_errors": 0,              // 总错误计数
  "total_formulas": 42,           // 文件中的公式数量
  "error_summary": {              // 仅在发现错误时存在
    "#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

单元格索引是基于1的（row=1, column=1指的是单元格A1）
使用data_only=True读取计算值：load_workbook('file.xlsx', data_only=True)
警告：如果使用data_only=True打开并保存，公式被值替换并永久丢失
对于大文件：使用read_only=True读取或write_only=True写入
公式被保留但不被评估 - 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：为Excel操作生成Python代码时：

编写最小、简洁的Python代码，无需不必要的注释
避免冗长的变量名和冗余操作
避免不必要的print语句

对于Excel文件本身：

为具有复杂公式或重要假设的单元格添加注释
为硬编码值记录数据来源
包括关键计算和模型部分的注释

xlsx

Install Skill

SKILL.md