📊 Excel/CSV Master - 数据处理大师
让 Excel/CSV 处理变得简单，AI 帮你搞定一切
🎯 这个技能能帮你做什么？
✅ 数据清洗 - 自动修复格式、填充缺失值
✅ 数据转换 - 格式转换、列操作、透视表
✅ 数据合并 - 多表合并、去重、匹配
✅ 数据分析 - 统计、汇总、对比
✅ 格式化 - 批量格式化、条件格式
✅ 公式生成 - 自动生成 Excel 公式
📚 包含内容
第一部分：数据清洗（15+ 场景）
1. 缺失值处理
# 填充缺失值
df.fillna(0) # 用0填充
df.fillna(method='ffill') # 前向填充
df.dropna() # 删除缺失行
# 智能填充
df['column'].fillna(df['column'].mean()) # 用均值填充
2. 重复值处理
# 删除完全重复的行
df.drop_duplicates()
# 基于特定列去重
df.drop_duplicates(subset=['email'], keep='first')
# 标记重复值
df['is_duplicate'] = df.duplicated()
3. 数据类型转换
# 转换为日期
df['date'] = pd.to_datetime(df['date'])
# 转换为数值
df['amount'] = pd.to_numeric(df['amount'], errors='coerce')
# 字符串处理
df['name'] = df['name'].str.strip() # 去空格
df['name'] = df['name'].str.title() # 首字母大写
4. 异常值处理
# IQR 方法
Q1 = df['amount'].quantile(0.25)
Q3 = df['amount'].quantile(0.75)
IQR = Q3 - Q1
df = df[(df['amount'] >= Q1 - 1.5*IQR) & (df['amount'] <= Q3 + 1.5*IQR)]
# Z-score 方法
from scipy import stats
df = df[(np.abs(stats.zscore(df['amount'])) < 3)]
第二部分：数据转换（20+ 操作）
1. 列操作
# 重命名列
df.rename(columns={'old_name': 'new_name'})
# 添加计算列
df['total'] = df['quantity'] * df['price']
# 删除列
df.drop(columns=['unnecessary_col'])
# 选择特定列
df[['col1', 'col2', 'col3']]
2. 行操作
# 过滤行
df[df['status'] == 'active']
# 排序
df.sort_values('date', ascending=False)
# 分组
df.groupby('category').sum()
3. 透视表
# 创建透视表
pivot = df.pivot_table(
values='amount',
index='category',
columns='month',
aggfunc='sum'
)
# 多级透视表
pivot = df.pivot_table(
values='amount',
index=['category', 'product'],
columns='month',
aggfunc=['sum', 'count']
)
4. 数据重塑
# 宽转长
df_long = df.melt(id_vars=['id'], var_name='month', value_name='amount')
# 长转宽
df_wide = df.pivot(index='id', columns='month', values='amount')
第三部分：数据合并（10+ 场景）
1. 表格合并
# 横向合并（列合并）
pd.concat([df1, df2], axis=1)
# 纵向合并（行合并）
pd.concat([df1, df2], axis=0)
# 按键合并
pd.merge(df1, df2, on='id', how='left')
pd.merge(df1, df2, on='id', how='inner')
pd.merge(df1, df2, on='id', how='outer')
2. VLOOKUP 替代
# Python 版 VLOOKUP
result = pd.merge(
df1,
df2[['id', 'name', 'price']],
on='id',
how='left'
)
3. 多表合并
# 合并多个 CSV
import glob
files = glob.glob('*.csv')
df = pd.concat([pd.read_csv(f) for f in files])
第四部分：Excel 公式生成器
常用公式
# 条件求和
=SUMIF(range, criteria, sum_range)
# 多条件求和
=SUMIFS(sum_range, criteria_range1, criteria1, criteria_range2, criteria2)
# VLOOKUP
=VLOOKUP(lookup_value, table_array, col_index_num, FALSE)
# 条件计数
=COUNTIF(range, criteria)
# 文本处理
=LEFT(text, num_chars)
=RIGHT(text, num_chars)
=MID(text, start_num, num_chars)
=TRIM(text)
# 日期处理
=DATE(year, month, day)
=YEAR(date)
=MONTH(date)
=DAY(date)
# 条件判断
=IF(condition, value_if_true, value_if_false)
=IFS(condition1, value1, condition2, value2)
第五部分：批量处理模板
批量导入 CSV
import pandas as pd
import glob
# 导入文件夹中所有 CSV
files = glob.glob('data/*.csv')
dfs = [pd.read_csv(f) for f in files]
combined = pd.concat(dfs, ignore_index=True)
# 保存
combined.to_csv('combined.csv', index=False)
批量格式化 Excel
from openpyxl import load_workbook
from openpyxl.styles import Font, PatternFill
wb = load_workbook('data.xlsx')
ws = wb.active
# 设置标题行样式
for cell in ws[1]:
cell.font = Font(bold=True, color='FFFFFF')
cell.fill = PatternFill(start_color='4F81BD', fill_type='solid')
# 保存
wb.save('formatted.xlsx')
🚀 快速开始
场景1：数据清洗
用户：这个 CSV 有很多缺失值和重复值，帮我清理
AI：
[加载数据]
[分析缺失值分布]
[检测重复值]
[自动清洗]
[生成清洗报告]
✅ 删除 230 个重复行
✅ 填充 45 个缺失值
✅ 修正 12 个格式错误
场景2：表格合并
用户：我有3个 Excel 文件，想按 ID 合并
AI：
[加载3个文件]
[识别共同列]
[合并数据]
[检查一致性]
✅ 合并完成：5000行 × 15列
⚠️ 发现 23 个不匹配的 ID
场景3：Excel 公式
用户：我需要一个公式，计算每个类别的总和
AI：使用这个公式：
=SUMIF(A:A, "category_name", B:B)
如果是多条件：
=SUMIFS(B:B, A:A, "category", C:C, "condition")
💡 特色功能
1. 智能数据类型识别
自动识别：
- 日期格式
- 货币格式
- 百分比
- 电话号码
- 邮箱
并转换为正确类型
2. 批量操作
一次处理：
- 100+ 个文件
- 数百万行数据
- 复杂转换
3. 错误检测
自动检测：
- 循环引用
- 公式错误
- 数据不一致
📊 适用场景
| 场景 | 推荐度 | 说明 |
|---|
| 财务人员 | ⭐⭐⭐⭐⭐ | 日常表格处理 |
| 行政人员 | ⭐⭐⭐⭐⭐ | 数据整理 |
| 销售 | ⭐⭐⭐⭐ | 客户数据处理 |
| HR | ⭐⭐⭐⭐⭐ | 员工数据处理 |
| 学生 | ⭐⭐⭐⭐ | 作业数据处理 |
🎁 购买即得
- 15+ 清洗场景代码
- 20+ 转换操作代码
- 10+ 合并场景代码
- Excel 公式速查表
- 批量处理脚本
- 终身更新
- 技术支持
🔧 版本历史
- v1.0.0 (2026-04-05): 首次发布
立即购买，让 Excel/CSV 处理变得简单！ 🚀
