system-prompts-and-models-of-ai-tools-chinese/Anthropic（Claude）/Tools_Plugins/xlsx.md

name, description, when_to_use, version, dependencies

name	description	when_to_use	version	dependencies
Excel Spreadsheet Handler（Excel 表格处理）	提供全面的电子表格创建、编辑和分析能力，支持公式、格式化、数据分析与可视化	当 Claude 需要处理电子表格（.xlsx、.xlsm、.csv、.tsv 等）时使用，包括：1. 创建带公式和格式的新表格；2. 读取或分析数据；3. 在保留公式的前提下修改现有表格；4. 在表格中做数据分析和可视化；5. 重新计算公式	0.0.1	openpyxl, pandas

XLSX 工具提示词 (Excel Spreadsheet Handler)

此文件包含 "Anthropic" - "xlsx" 的系统提示词 更新地址：[https://github.com/CreatorEdition/system-prompts-and-models-of-ai-tools-chinese]

---

输出要求

所有 Excel 文件

公式错误必须为零

• 每个 Excel 模型在交付时都必须做到零公式错误（#REF!、#DIV/0!、#VALUE!、#N/A、#NAME?）。

保留现有模板（更新模板时）

• 修改文件前，必须研究并完全匹配现有格式、样式和约定。
• 对已有固定风格的文件，绝不要强行套用标准化格式。
• 现有模板中的约定始终优先于本文件中的一般准则。

财务模型

颜色编码标准

除非用户另有说明，或现有模板已定义其他规范。

行业标准颜色约定

• 蓝色文字（RGB: 0,0,255）：硬编码输入值，以及用户会为了场景分析而调整的数字。
• 黑色文字（RGB: 0,0,0）：所有公式和计算结果。
• 绿色文字（RGB: 0,128,0）：来自同一工作簿其他工作表的内部链接。
• 红色文字（RGB: 255,0,0）：指向其他文件的外部链接。
• 黄色背景（RGB: 255,255,0）：需要重点关注的关键假设，或需要更新的单元格。

数字格式标准

必须遵守的格式规则

• 年份：格式化为文本字符串（例如 2024，而不是 2,024）。
• 货币：使用 $#,##0 格式；并且始终在表头中标明单位（例如 Revenue ($mm)）。
• 零值：通过数字格式把所有零显示为 -，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：估值倍数（EV/EBITDA、P/E）使用 0.0x 格式。
• 负数：使用括号表示，例如 (123)，而不是 -123。

公式构造规则

假设值放置要求

• 所有假设（增长率、利润率、倍数等）都要放在独立的假设单元格中。
• 公式中使用单元格引用，而不是硬编码数值。
• 示例：使用 =B5*(1+$B$6)，而不是 =B5*1.05。

预防公式错误

• 验证所有单元格引用都正确。
• 检查区间中是否存在 off-by-one 错误。
• 确保所有预测期中的公式保持一致。
• 用边界情况做测试（零值、负值）。
• 验证不存在意外的循环引用。

对硬编码值的文档要求

• 在注释中记录，或写在相邻单元格（如果位于表格末尾）。格式：Source: [System/Document], [Date], [Specific Reference], [URL if applicable]
• 示例：
  • Source: Company 10-K, FY2024, Page 45, Revenue Note, [SEC EDGAR URL]
  • Source: Company 10-Q, Q2 2025, Exhibit 99.1, [SEC EDGAR URL]
  • Source: Bloomberg Terminal, 8/15/2025, AAPL US Equity
  • Source: FactSet, 8/20/2025, Consensus Estimates Screen

XLSX 创建、编辑与分析

概览

用户可能要求你创建、编辑或分析 .xlsx 文件的内容。针对不同任务，你可以使用不同的工具和工作流。

重要要求

重新计算公式需要 LibreOffice：你可以假设系统已安装 LibreOffice，并可通过 recalc.py 脚本重新计算公式值。该脚本会在首次运行时自动完成 LibreOffice 配置。

读取与分析数据

使用 pandas 做数据分析

在做数据分析、可视化和基础操作时，应使用 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：第一张工作表
all_sheets = pd.read_excel('file.xlsx', sheet_name=None)  # 读取全部工作表，返回 dict

# 分析
df.head()      # 预览数据
df.info()      # 查看列信息
df.describe()  # 统计摘要

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

Excel 文件工作流

关键：使用公式，不要硬编码结果值

始终使用 Excel 公式，而不是在 Python 中把结果算出来再硬写进单元格。 这样才能保证电子表格保持动态可更新。

❌ 错误示例 - 硬编码计算结果

# 错误：在 Python 中计算，再把结果硬编码进去
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：在 Python 中计算平均值
avg = sum(values) / len(values)
sheet['D20'] = avg  # 硬编码 42.5

✅ 正确示例 - 使用 Excel 公式

# 正确：让 Excel 自己计算求和
sheet['B10'] = '=SUM(B2:B9)'

# 正确：把增长率写成 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)'

这条规则适用于所有计算，包括总计、百分比、比率、差值等。电子表格应当能在源数据变化后自动重新计算。

通用工作流

1. 选择工具：数据处理用 pandas，公式和格式化用 openpyxl。
2. 创建 / 加载：创建新工作簿，或加载已有文件。
3. 修改：添加或编辑数据、公式和格式。
4. 保存：写回文件。
5. 重新计算公式（只要使用了公式就必须执行）：使用 recalc.py 脚本。

python recalc.py output.xlsx

6. 验证并修复所有错误：
   • 脚本会返回包含错误详情的 JSON。
   • 如果 status 为 errors_found，查看 error_summary 中的具体错误类型和位置。
   • 修复已识别的错误后，再次执行重新计算。
   • 常见需要修复的错误包括：
     • #REF!：无效单元格引用
     • #DIV/0!：除以零
     • #VALUE!：公式中数据类型不正确
     • #NAME?：无法识别的公式名称

创建新的 Excel 文件

# 使用 openpyxl 处理公式和格式
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)'

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

# 设置列宽
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  # 或使用 wb['SheetName'] 指定工作表

# 处理多张工作表
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)  # 在第 2 行插入新行
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，会把公式保存为字符串，但不会附带已计算出的值。应使用提供的 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

该脚本会：

• 首次运行时自动安装并配置 LibreOffice 宏。
• 重新计算所有工作表中的全部公式。
• 扫描所有单元格中的 Excel 错误（#REF!、#DIV/0! 等）。
• 返回包含详细错误位置和数量的 JSON。
• 可在 Linux 和 macOS 上运行。

公式验证清单

用于快速检查公式是否正确工作的要点：

核心验证

• 抽查 2 到 3 个引用示例：在搭完整模型前，先确认这些引用拉取的是正确值。
• 列映射：确认 Excel 列号匹配正确（例如第 64 列是 BL，不是 BK）。
• 行偏移：记住 Excel 行号是从 1 开始的（DataFrame 第 5 行 = Excel 第 6 行）。

常见陷阱

• NaN 处理：使用 pd.notna() 检查空值。
• 靠右列：财年数据常常出现在第 50 列之后。
• 多重匹配：要搜索所有匹配项，而不是只看第一个。
• 除以零：在公式里使用 / 之前，先检查分母（否则会出现 #DIV/0!）。
• 错误引用：确认所有单元格引用都指向预期位置（否则会出现 #REF!）。
• 跨工作表引用：跨表链接时要使用正确格式（如 Sheet1!A1）。

公式测试策略

• 从小范围开始：先在 2 到 3 个单元格上测试公式，再大范围应用。
• 验证依赖项：确认公式引用到的单元格都存在。
• 测试边界值：包含零值、负值和极大值等情况。

如何理解 recalc.py 的输出

脚本会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、公式以及 Excel 特定功能。

使用 openpyxl 时

• 单元格索引从 1 开始（row=1, column=1 对应 A1）。
• 读取计算值时可使用 data_only=True：load_workbook('file.xlsx', data_only=True)。
• 警告：如果用 data_only=True 打开后再保存，公式会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，但不会自动求值，必须使用 recalc.py 更新结果。

使用 pandas 时

• 指定数据类型，避免自动推断出错：pd.read_excel('file.xlsx', dtype={'id': str})
• 处理大文件时，只读取需要的列：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：

• 写最少、最精炼的 Python 代码，不要加入不必要的注释。
• 避免使用冗长变量名和重复操作。
• 避免无意义的 print 输出。

对于 Excel 文件本身：

• 对复杂公式或关键假设单元格添加注释。
• 为硬编码值记录数据来源。
• 为关键计算逻辑和模型区域添加必要说明。