用 Claude Code 打造 Excel 自动化流水线：从清洗到报表

最近一个月，我基本把 Claude Code 当成了主力表格助手来用，从销售明细、库存台账到考勤表都过了一遍。以前这种活的处理路径是固定的：打开 Excel，筛选、去重、填公式、拉透视表，一张上万行的表至少要折腾半小时，而且做得越多越容易在复制粘贴里出错。现在我在终端里把需求说清楚，Claude Code 自己写脚本、自己跑、自己把结果整理成新文件，我只需要最后打开文件验一遍数，整个流程往往几分钟就能搞定。

Claude Code 是 Anthropic 推出的命令行 AI 编程工具，本质是个跑在终端里的智能体：它能读取项目文件、生成代码、执行命令，也能在需要的时候调用工具。对表格处理来说，它的价值不在于“帮你写几行 Python”，而在于把你脑子里的处理规则翻译成可重复执行的脚本，并且能根据运行结果自我修正。换句话说，传统手工操作是“人肉执行”，而 Claude Code 是“你当产品经理，它当开发”。

这篇文章不是讲花哨功能的，而是讲怎么用 Claude Code 把 Excel 这件又碎又烦的事做成流水线。适合谁看？两类人。一类是天天和 Excel 打交道的运营、财务、行政，你对业务规则很熟，但不想为了查个数据去系统学 Python；另一类是刚接触 AI 编程工具的开发者，想看一个足够完整、能直接抄作业的实战样例。

1. 为什么是 Claude Code：表格处理的痛点与解法

1.1 手工处理 Excel 的三个真实痛点

先说痛点，因为不理解痛点，后面的一切配置都是空中楼阁。第一个痛点是重复操作太多。去重、填空、统一日期格式、匹配另一张表的数据，这些动作听起来简单，但在几千行规模下，每一步都要筛选、定位、拖拽，手指停不下来，脑子也停不下来。

第二个痛点是规则说不清楚。比如“把备注里写‘无’的当空值处理”“按区域汇总销售但华南区要单列”“日期格式统一成 2024-01-01 这种”……这些规则如果只停留在人脑里，换个人来做就变了样。而代码能把规则固化下来，谁跑结果都一样。

第三个痛点是结果不可复核。手工改过的表，很难回答“哪里改过、改了多少行、原始数据还在不在”这些问题。脚本处理则天然带日志——跑了多少行、删掉几条重复、填了几个空值，全都能打印出来，这对手里过了大量数据的同学来说特别重要。

1.2 Claude Code 解决问题的思路

Claude Code 处理 Excel 的核心思路一句话：借助 Python 生态，把表格当成结构化数据来搞。pandas 做数据清洗与聚合，openpyxl 做格式输出，这两个库几乎覆盖日常办公 90% 的场景。

它的工作模式是对话式的。你给它一个需求，它生成脚本并在当前环境执行，然后把执行结果（比如打印出来的前几行数据、统计值）反馈给你。如果你对结果不满意，可以直接说“不对，华南区要单独算”，它会调整代码再跑一轮。这种“需求—执行—反馈—修正”的闭环，正好补上了传统脚本方式的短板：没有耐心的人写不了脚本，但对聊天这件事，人人都有耐心。

还有个容易被忽略的点：Claude Code 跑在本地终端，直接读取你本地的 Excel 文件，不会要求你把表格内容上传到任何网页端。对数据敏感的场景，这种本地运行的方式更让人放心，这也是我更愿意用它的原因之一。

1.3 配置之前先想清楚的事

动手之前，建议先想清楚三个问题。第一，你的 Excel 是给人看的还是给程序算的？如果只是格式设计复杂的报表，主要靠模板，脚本只需往指定位置填数；如果是几千行需要清洗汇总的明细，主战场是 pandas。这篇文章两者都会讲。

第二，你能否接受“脚本会改数据”？我的一贯原则是：永远不在原文件上直接改，所有处理结果输出到新文件，原文件只读。这个习惯能在你清洗错了的时候保住原始数据。第三，你愿意维护自己的“技能库”吗？把常用的处理规则沉淀成 Claude Code 的技能，第二次用时就能直接调用，而不是每次都把规则重新描述一遍。

想清楚这三点，就可以开始安装和配置了。

2. 环境准备：安装 Claude Code 与 Excel 技能配置

2.1 安装前的环境检查

Claude Code 是 Node.js 开发的命令行工具，所以第一步是确认 Node.js 环境。打开终端执行：

node -v npm -v

我建议 Node.js 版本不低于 18，npm 跟随安装即可。如果机器上已经有 Node.js 但版本偏旧，可以用 nvm 之类的方式升级到 LTS 版本，避免后面出现奇怪的兼容性问题。这个工具在 Windows、macOS、Linux 上都是同一套基于 Node 的安装逻辑，只是终端命令略有差异，不存在“某平台才能用”的说法。

接着安装 Claude Code 本体：

npm install -g @anthropic-ai/claude-code

安装完成后执行claude命令进入交互界面，首次启动会引导完成登录授权。这里提醒一句：授权过程请走官方渠道，确保你是用自己的账号验证。之后的正常使用中，Claude Code 会在当前项目目录下工作，推荐先在专门放表格文件和脚本的目录里开启。如果你习惯在 VSCode 里工作，官方也提供编辑器插件，直接在扩展市场搜索安装后，就能在编辑器里调起同一个会话上下文，体验比纯终端更友好一些。

2.2 模型接入的两种方式

Claude Code 默认使用官方账号的模型服务，配置最简单，登录完成后直接用。但在实际项目里，很多同学会把模型服务切到其他兼容的 API 提供商，比如企业内网部署的模型网关，或是国内大模型平台提供的 Anthropic 兼容端点。这样做的理由通常是团队统一结算、数据不出内网，或者单纯是调用习惯不同。

以 DeepSeek 开放的 Anthropic 兼容接口为例，配置方式是设置两个环境变量：

export ANTHROPIC_BASE_URL=https://api.deepseek.com/anthropic export ANTHROPIC_AUTH_TOKEN=这里填你的API密钥

设置完环境变量后，重新打开claude，它就会走你配置的 API 端点。生产环境中建议把密钥写到 shell 配置文件或密钥管理工具里，不要直接写在脚本中。这个配置方式同样适用于其他提供 Anthropic 兼容接口的服务，原理一致：只要对方兼容协议，Claude Code 就能把请求发过去。

2.3 搭建 Excel 专属技能目录

标题里说的“Excel 技能”，严格讲是 Claude Code 的 Skills 机制。你可以把它理解成一份“岗位说明书”：在指定的技能目录里放一个 SKILL.md 文件，描述遇到什么任务采用什么处理规则、优先用什么库、输出有什么约定，Claude Code 在相关场景下会自动加载这段说明，行为就变得专业和稳定。

我的个人技能目录建在~/.claude/skills/下面，专门建了一个excel-wizard目录：

mkdir -p ~/.claude/skills/excel-wizard/scripts

然后在~/.claude/skills/excel-wizard/SKILL.md写入内容：

--- name: excel-wizard description: 处理 Excel 表格数据的技能，适用于读取 .xlsx/.xls、清洗、汇总统计、写入格式化报表。 --- # Excel 数据规范 - 读取优先使用 Python + pandas，格式输出使用 openpyxl。 - 数据处理前先打印 df.shape、df.head(10)、df.dtypes，确认结构再动手。 - 清洗规则必须显式声明，不允许静默丢弃或修改数据。 - 结果输出为新文件，文件名带日期或业务含义，不覆盖原始文件。 - 涉及金额的列统一保留两位小数，日期统一为 YYYY-MM-DD。

这个文件的核心价值在于 description 字段。Claude Code 会根据描述判断什么时候唤起这个技能；而正文部分是给它执行的“操作手册”。你还可以在scripts/里放一些自用的辅助函数，技能描述中让 Claude Code 优先复用它们，这样越用越顺手。如果看到别人在 GitHub 上分享的技能包，目录结构也是一样的，直接放到你的 skills 目录就能生效，省去很多手工迁移的功夫。

有基础的同学可以同时建项目级技能目录.claude/skills/，只对当前项目生效；个人级技能放在~/.claude/skills/，全局可用。我目前的做法是：通用规则放个人级，和具体业务表强相关的规则放项目级。

2.4 用一段对话验证环境是否就绪

配置完成别急着处理大表，先做一次冒烟测试。我一般放一个测试用的小 Excel 进去，然后对 Claude Code 说：

“请读一下 test.xlsx，打印所有列名、行数、前 3 行数据，然后用 markdown 表格展示。”

注意最后那句“用 markdown 表格展示”——这能让它在终端里直接输出可读的预览，不用我切窗口去看脚本跑出来的原始打印。这一步通了，说明安装、授权、技能生效都没问题，可以进入实战了。

3. 实战一：用 Claude Code 完成数据清洗与统计

3.1 场景与数据说明

这个案例我用一张销售明细表来讲，文件名 sales.xlsx，Sheet 名为 Sheet1，包含约三千行记录。字段包括：订单号、客户名称、区域、产品、数量、单价、成交日期、备注。我接到需求时手里这张表的实际情况是：订单号有重复、数量有空值、备注里既有真正的空也有写“无”的、日期格式混着 20240101、2024/1/5 和 2024-01-08 好几种。

如果手工处理，我大概需要开六个过滤器窗口，还要写不少公式。而用 Claude Code，我只需要把需求说清楚，剩下的环节全是它来干。这个案例的目标很简单：把这张表清洗成一份干净、可直接透视的明细表，并输出一份按区域、产品的汇总表。

3.2 第一步：读取数据并确认结构

任何数据处理的第一步都不是“动手”，而是“看清数据”。我给 Claude Code 的第一个指令是：

“读取 sales.xlsx 的 Sheet1，打印行数、列名、缺失值统计，并显示前 10 行。”

它会生成类似下面的脚本并执行：

import pandas as pd df = pd.read_excel("sales.xlsx", sheet_name="Sheet1") print("行数:", df.shape[0], "列数:", df.shape[1]) print(df.dtypes) print(df.isnull().sum()) print(df.head(10))

你可能觉得这步多余，但经验告诉我，绝大多数表格处理翻车都是因为没看数据就按想象的字段去操作。确认结构这一步的价值是：先搞清楚列名有没有空格、日期列是被读成了对象还是 datetime、缺失值是集中在某列还是分散在各列。这些信息直接决定后面的清洗策略。

3.3 第二步：数据清洗的具体操作

结构确认清楚后，我把清洗规则一条条描述给 Claude Code：

“以订单号为准去重，保留第一条；数量为空的行，数量填 1；备注字段里写 ‘无’ 的，按空值处理；成交日期统一成 YYYY-MM-DD 格式，解析失败的单独列出来，不要丢。”

它生成的实现大致是这样：

df = df.drop_duplicates(subset=["订单号"], keep="first") df["数量"] = df["数量"].fillna(1) df.loc[df["备注"] == "无", "备注"] = None df["日期原始值"] = df["成交日期"] df["成交日期"] = pd.to_datetime(df["成交日期"], errors="coerce") invalid_dates = df[df["成交日期"].isna()] df["成交日期"] = df["成交日期"].dt.strftime("%Y-%m-%d")

这里我想专门解释几个设计上的讲究，这也是脚本处理和手工操作最大的差异。

去重用keep="first"，含义是保留每个订单号第一次出现的记录，其余删除。如果业务上应该保留最后一条，只要把参数改成keep="last"即可。关键是删除前先打印df.duplicated(subset=["订单号"]).sum()，确认重复规模符合预期，而不是闷头一删了事。

日期解析用errors="coerce"而不是直接转换，原因是这张表的日期格式太乱，直接转会在遇到非法值时把整个脚本打断。coerce 模式会把解析失败的置为 NaT，先记录下来，再单独处理。清洗规则里“不要丢数据”是一条铁律，所以我在修改日期前先把原始值复制到日期原始值列，这样万一规则理解错误，原值还在。

还有个容易踩的点：对纯数字格式的日期，比如 20240101，pd.to_datetime默认不一定能正确识别为 2024-01-01。一般需要指定format="%Y%m%d"。我在对话时直接告诉 Claude Code 数据里有这种格式，它会自动加这个参数，但你不是每次都能想到，所以最好在 Excel 技能里就把这条约定写上。

3.4 第三步：聚合统计与多维度汇总

清洗验收通过后，就可以做分析了。我给 Claude Code 的下一步需求：

“新增销售额列，等于数量乘单价；按区域、产品两个维度汇总总销量和总销售额；再按区域+月份统计月度销售额，方便做趋势分析。”

这次它生成的代码核心是 groupby：

df["销售额"] = df["数量"] * df["单价"] summary = df.groupby(["区域", "产品"], as_index=False).agg( 总销量=("数量", "sum"), 总销售额=("销售额", "sum"), 订单数=("订单号", "count"), ) df["月份"] = df["成交日期"].str[:7] monthly = df.groupby(["区域", "月份"], as_index=False).agg( 销售额=("销售额", "sum") )

这里有个细节值得注意：as_index=False的作用是让分组字段保留为普通列，而不是变成行索引。这样后续写 Excel 时结构更干净，不容易出现把索引也写进文件的乌龙。agg里用命名元组的方式重命名结果列，比旧版的agg({"数量": "sum"})可读性好很多，生成的文件列名也正好是业务想要的“总销量”“总销售额”。

对所有处理结果，我要求 Claude Code 分别导出两个文件：清洗后的明细sales_cleaned_2024-06-01.xlsx和汇总报表sales_summary_2024-06-01.xlsx。原始文件始终保持只读。这一步做完，这张表已经从一个“人看不懂、机器也懒得看”的混乱台账，变成了直接可用、结构清晰的分析底稿。

4. 实战二：报表格式化与批量处理

4.1 用 openpyxl 做专业报表

表格数据算完了，但直接输出的 Excel 往往很“素”：没有表头样式、列宽不自动、数字挤成一团。我习惯在最后一步让 Claude Code 加上格式美化，这步用 openpyxl 而不是 pandas。pandas 的to_excel适合快速落盘，但精细样式控制还是得靠 openpyxl。

我给出的指令是：“把汇总表写入新的 xlsx，表头加粗、白字、深蓝底色，所有金额列保留两位小数并加上千分位，列宽自适应，冻结首行。”

它生成的代码大概是这样的：

import pandas as pd from openpyxl import load_workbook from openpyxl.styles import Font, PatternFill from openpyxl.utils import get_column_letter summary.to_excel("sales_summary_fmt.xlsx", index=False) wb = load_workbook("sales_summary_fmt.xlsx") ws = wb.active header_font = Font(bold=True, color="FFFFFF") header_fill = PatternFill(start_color="4472C4", end_color="4472C4", fill_type="solid") for cell in ws[1]: cell.font = header_font cell.fill = header_fill ws.freeze_panes = "A2" for col in ws.columns: max_len = 0 col_letter = get_column_letter(col[0].column) for cell in col: if cell.value is not None: max_len = max(max_len, len(str(cell.value))) ws.column_dimensions[col_letter].width = max_len + 4 wb.save("sales_summary_fmt.xlsx")

这套样式“配方”是我用下来最稳的：深蓝表头、白色加粗字体、冻结首行、列宽自适应。四个元素组合在一起，报表的观感直接从“实验数据”跳到“对外交付”。如果你公司有统一的报表视觉规范，也可以直接把规范描述给 Claude Code，它能自动调整成对应颜色和字体。

4.2 模板化填数，比每次生成新表更稳

实际办公场景中，很多报表的格式是固定的：表头是公司要求，列顺序不能改，甚至还有汇报页签和明细页签之分。这种场景我不建议让脚本从零生成，而应该准备一个“空模板”，让 Claude Code 往指定位置填数。

比如我整理过一个月度经营报表，模板里有三个 Sheet：汇总页、明细页、图表页。数据算完后，我对 Claude Code 说：

“把结果按模板现有结构填入 月度经营报表模板.xlsx 的对应位置，汇总页 A3 单元格开始写汇总数据，不要改动其他单元格的格式和已有字段。”

用 openpyxl 打开模板写入，而不是用 pandas 重新生成整个文件，能最大程度保留模板原有的样式、公式和图表。这里有个共同经验：模板文件在脚本运行期间必须处于关闭状态，否则 Excel 会锁定文件，写入时报权限错误。我把这条写进了技能说明里，之后基本再没踩过这个坑。

4.3 批量合并同结构表格

表格处理最容易让人崩溃的是“批量”两个字。比如财务每个月收上来十几个门店的销售文件，结构一样、文件名带月份，手工合并光找文件就要半天。Claude Code 对这类需求几乎是无痛的：

“把 data 目录下文件名含门店的 xlsx 全部读进来，按原结构合并成一个大表，加一列‘来源文件’标明数据来自哪个文件。”

核心代码是：

from pathlib import Path import pandas as pd frames = [] for p in Path("data").glob("*门店*.xlsx"): t = pd.read_excel(p) t["来源文件"] = p.name frames.append(t) combined = pd.concat(frames, ignore_index=True) print("合并完成，总行数:", combined.shape[0])

ignore_index=True很关键，它让合并后自动重排行号，而不是把每个文件的原始行号叠在一起。合并后我先让 Claude Code 打印总行数，和各文件行数之和做比对，确认没有丢数据再落盘。这一步看似简单，但“合并前后数量对不上”是批量场景最容易翻车的地方，花 10 秒验算一下能避免返工。

5. 高频问题排查实录

5.1 Excel 粘贴无数据、下拉也无数据怎么办

这个问题的典型场景是：从网页复制数据到 Excel，粘贴后单元格看起来有内容，但双击一看是空的，下拉也没有候选数据。经验上是源数据本身的问题，网页里那些“看上去是数据”的内容实际上是 HTML 结构或动态渲染占位，复制到 Excel 后只剩空壳。解决思路分两步：先不粘贴，改为在网页里直接导出 CSV 或表格文件；如果只能复制，粘贴时用“选择性粘贴-纯文本”，再在 Excel 里用“分列”功能整理。

对应到脚本处理，如果发现 pandas 读出来全是 NaN，但 Excel 里看着有字，多半是文件里装的是公式结果或者富文本样式。解决方式是在技能里约定：读取时先用pd.read_excel(..., dtype=str)看真实内容，再决定类型转换策略。

5.2 文件被占用、写入失败和 PermissionError

这个坑几乎每个写过脚本的人都踩过。现象是：Excel 文件开着，脚本想要写入同一路径，结果直接 PermissionError。处理方式就一条：脚本运行前关闭所有相关 Excel 窗口。批量处理时，我习惯在脚本开头检查目标文件是否存在，存在就先打印提醒，由人来确认是否关闭，而不是强行覆盖。

如果必须频繁读写，可以考虑把脚本的输出写到临时目录，跑完再由人检查后复制到正式目录，减少文件锁冲突。

5.3 Excel 加载项被禁用与开发工具报错

“加载项被禁用”通常是打开 Excel 时提示的，处理路径在“文件-选项-加载项-管理”，把被禁用的 COM 加载项重新启用即可。但如果反复禁用，多半是安装的插件和当前 Office 版本冲突，需要对插件做更新或卸载。“开发工具报错不能插入对象”更多跟系统组件有关，比如从 VBA 向工作表插入 OLE 对象失败，常见诱发原因是 Office 更新不完整。先走“控制面板-修改 Office-修复”流程，多数能恢复；修复无效再考虑重装对应组件。

这类问题不常出现在 Claude Code 流程里，但如果你的整个自动化链条嵌入了 VBA 宏，就可能有交集。我的做法是尽量用 Python 替代 VBA，一是跨版本兼容性更好，二是 Claude Code 对 Python 脚本的维护能力远强于对 Excel 宏的理解能力。

5.4 Claude Code 安装与命令找不到

这里把我在多个机器上的安装经验集中说一下。npm install -g @anthropic-ai/claude-code装完后执行claude提示 command not found，九成是 npm 全局目录没加到 PATH。先执行npm config get prefix拿到全局路径，把它加到 shell 的配置文件里，然后重开终端。

首次启动时如果遇到地区不可用的提示，不要绕什么网络捷径，直接以官方支持范围为准。实在需要在本机可用，更正规的做法是走 2.2 节的 API 接入方式，把请求切到其他兼容的模型服务商，本地运行逻辑不受影响。

如果是升级出了问题，先npm uninstall -g @anthropic-ai/claude-code再重装，比在旧版本上修修补补快得多。

5.5 大文件性能优化思路

Excel 行数到十万以上时，pandas 的默认读取可能变得很慢，内存占用也高。三个优化点我整理成经验：第一，只读需要的列，pd.read_excel(..., usecols=["订单号", "数量", ...])，不要把整张表的无关列都加载进来；第二，按列设定 dtype，把分类字段指定为 category 类型，能显著降内存；第三，如果只是要汇总结果，考虑分块读取并累加，而不是一次性把所有数据放内存。

在几十万行这个量级，pandas 处理起来依然算轻松，真正的瓶颈通常在读写 Excel 本身。如果将来数据量大到上千万行，就该换成数据库或 Parquet 格式了，Excel 已经不适合做数据源。

5.6 常见问题速查表

6. 我的经验总结与下一步扩展

6.1 小步确认，比一步到位更安全

用 Claude Code 处理表格，我最重要的体会是：一次对话里不要塞太多步骤。我最早翻车就是把“读取—清洗—统计—出报表”一口气讲完，结果它每一步都跑了，但中间有一次删错列，最后压根没注意到，返工成本比手工还高。

现在我坚持小步走：先读数据、打印结构，我确认没问题；再清洗、打印清洗前后行数和典型变化，我核对关键数；最后才允许它统计和出文件。每个小步之间，它都会用编辑器或命令行工具执行并把结果贴给我。这个习惯听起来慢，实际上大部分步骤 10 秒内就完成，反而是整体成功率最高、最不需要返工的节奏。

6.2 把常用脚本沉淀成技能

跑过几次类似需求后，我把自己反复用到的规则全部写进了excel-wizard这个技能里：日期统一格式、金额保留两位、结果不覆盖原文件、输出前打印行数校验。这样后续即使换一台机器，技能文件一同步，我的“处理习惯”也跟着走了。

经验是：AI 工具的上下文是有限的，与其每次把规则重新描述一遍，不如把稳定的规则放在技能里，把注意力留给每次的具体需求。Claude Code 在开会话时会自动加载匹配的技能描述，相当于它“入职培训”已经做完了，你只需要下需求、做验收。

6.3 更远的扩展方向

这一段纯属我的个人尝试方向，给你做参考。一个方向是接推送：数据整理完，用 Python 调钉钉机器人的 Webhook 把关键指标推到群里，配合定时任务，领导每天早上自己看报表，不用人肉转发。另一个方向是把清洗后的 Excel 导入数据库，让查询和联动都走 SQL，Excel 只做录入端。

我最近还在玩的是把 Claude Code 的技能库拆得更细：数据清洗一个技能，报表美化一个技能，批量合并一个技能。每个技能的 SKILL.md 只专注一件事，触发更准，维护起来也更清晰。后续你也可以按自己业务拆出专属技能——技能一多，你其实就拥有一套别人拿不走的表格自动化工具箱了。