xlsx

重要说明： 所有 scripts/ 路径均相对于此技能目录。 运行方式：cd {this_skill_dir} && python scripts/... 或使用 execute_shell_command 的 cwd 参数。

输出要求

所有 Excel 文件

专业字体

• 除非用户另有指示，所有交付物应使用统一的专业字体（如 Arial、Times New Roman）

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）

• 修改文件时需仔细研究并完全匹配现有的格式、样式和约定
• 切勿对已有既定模式的文件强加标准化格式
• 现有模板约定始终优先于本指南

财务模型

颜色编码标准

除非用户或现有模板另有规定

行业标准颜色约定

• 蓝色文本 (RGB: 0,0,255)：硬编码输入，以及用户会为不同情景更改的数字
• 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拉取的链接
• 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" 而非 "2,024"）
• 货币：使用 $#,##0 格式；始终在表头中注明单位（"Revenue ($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：默认使用 0.0% 格式（一位小数）
• 倍数：估值倍数使用 0.0x 格式（EV/EBITDA、P/E）
• 负数：使用括号 (123) 而非负号 -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非硬编码值
• 示例：使用 =B5*(1+$B$6) 而非 =B5*1.05

公式错误预防

• 验证所有单元格引用是否正确
• 检查范围中的偏移错误
• 确保所有预测期间的公式一致
• 使用边界情况测试（零值、负数）
• 验证没有非预期的循环引用

硬编码值的文档要求

• 在注释中或旁边的单元格中（如果在表格末尾）添加说明。格式："Source: [系统/文档], [日期], [具体引用], [URL（如适用）]"
• 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的任务。

前置条件

• openpyxl：Excel 文件创建和编辑
• pandas：数据分析和批量操作
• LibreOffice (soffice)：通过 scripts/recalc.py 进行公式重新计算
• git 是可选的，但可以改善验证工作流中的红线差异输出。
• 在 Windows 上，依赖项必须已安装并在 PATH 中可用；如果缺失，报告依赖问题并停止（不要反复重试）。

重要要求

公式重新计算需要 LibreOffice：使用 scripts/recalc.py 重新计算公式值。该脚本在首次运行时自动配置 LibreOffice，并处理 Unix 套接字受限的沙箱环境（通过 scripts/office/soffice.py）。

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 提供的强大数据操作功能：

import pandas as pd

# 读取 Excel
df = pd.read_excel('file.xlsx')  # Default: first sheet
all_sheets = pd.read_excel('file.xlsx', sheet_name=None)  # All sheets as dict

# 分析数据
df.head()      # Preview data
df.info()      # Column info
df.describe()  # Statistics

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