跳转到主要内容

​
数据清理（Clean Data XLS）

​
什么是数据清理？

在金融分析中，“干净的数据”是一切分析的前提。现实中，从各种来源获取的原始数据往往存在各种质量问题：多余的空格、不一致的大小写（USA vs usa vs Usa）、数字被存为文本（Excel 左上角的绿色三角形）、日期格式混乱（2024/3/8 vs March 8, 2024 vs 2024-03-08）、重复行等等。 如果不先清理这些问题就直接做分析，结果可能完全不可靠 —— 比如 VLOOKUP 因为前导空格而匹配失败，或者 SUM 因为部分数字被存为文本而漏算。 这个技能检测数据中的各种质量问题，提出修复建议，并在用户确认后执行清理 —— 尽可能使用公式（保持透明和可审计），而非直接覆盖原始数据。

​
为什么重要

  • Comps 分析数据整合 —— 从多个来源合并的公司数据需要统一格式
  • M&A 数据室清理 —— 尽职调查中获取的原始数据往往格式混乱
  • 财务模型输入 —— 垃圾数据进去就是垃圾结果出来
  • 报告生成 —— 输出格式的一致性影响专业形象

​
核心概念

中文术语英文术语说明
空白字符Whitespace前导/尾随空格、双空格
大小写不一致Inconsistent Casing同一列中出现 USA、usa、Usa
文本型数字Numbers Stored as Text数字被存为文本格式，无法参与计算
日期格式混乱Mixed Date Formats同一列中日期格式不统一
重复行Duplicates完全相同或近似相同的行
混合类型列Mixed-Type Column一列中 98% 是数字但有 3 个文本值
编码问题Encoding Issues乱码字符
辅助列Helper Column放置清理公式的相邻列，保留原始数据不变

​
工作流程

1

确定范围

  • 如果指定了范围（如 A1:F200），使用该范围
  • 否则使用活动工作表的全部已用区域
  • 分析每列的主要数据类型（文本/数字/日期），识别异常值
2

检测问题

在提出任何修复建议之前，先扫描所有问题类型：
问题查找内容
空白字符前导/尾随空格、连续双空格
大小写分类列中的不一致（usa / USA / Usa）
文本型数字数值被存为文本；数字单元格中的 $、,、%
日期同一列中混合格式
重复项完全重复行和近似重复项
空值数据列中的空白单元格
混合类型数字列中混入文本值
公式错误#REF!、#N/A、#VALUE!、#DIV/0!
3

提出修复建议

展示汇总表，修改前必须获得用户确认：
列问题数量修复方案
公司名称前后空格47 行辅助列 =TRIM(A2)
营收文本型数字23 行=VALUE(SUBSTITUTE(B2,"$",""))
国家大小写不一致15 行=UPPER(C2)
日期格式混乱31 行=DATEVALUE(D2)
行号完全重复8 行确认后删除
4

执行修复

按类别逐一执行，每个类别完成后与用户确认：
  1. 空白字符 → 展示前后对比 → 确认
  2. 大小写 → 展示前后对比 → 确认
  3. 数字转换 → 展示前后对比 → 确认
  4. 日期标准化 → 展示前后对比 → 确认
  5. 去重 → 展示将删除的行 → 确认

​
核心原则：公式优于覆盖

尽可能使用公式（在辅助列中），而不是直接覆盖原始数据。 这保持了数据转换的透明性和可审计性。
清理任务公式方法
去除空格=TRIM(A2)
转大写=UPPER(B2)
转首字母大写=PROPER(C2)
去除货币符号=VALUE(SUBSTITUTE(D2,"$",""))
去除千分位逗号=VALUE(SUBSTITUTE(E2,",",""))
解析日期=DATEVALUE(F2)
去除百分号=VALUE(SUBSTITUTE(G2,"%",""))/100
仅在以下情况直接覆盖：
  • 用户明确要求
  • 没有合理的公式替代方案（如编码/乱码修复）

​
如何添加到本地环境

# 安装插件
claude plugin install financial-analysis@financial-services-plugins
针对中文数据的定制： 
## 中文数据清理

### 常见中文数据问题
- 全角/半角字符混用（如全角逗号 "，" vs 半角 ","）
- 中文括号 "（）" vs 英文括号 "()" 混用
- 万元/亿元单位转换
- 中文日期格式（2024年3月8日 vs 2024-03-08）
- 公司名称变体（"腾讯" vs "腾讯控股" vs "Tencent"）

​
最佳实践

  • 先检测后修复 —— 在修改任何内容之前，先展示完整的问题清单
  • 分类别逐步执行 —— 不要一次性修改所有问题
  • 绝不在未经确认的情况下删除重复行 —— 错误的去重可能不可逆地损毁数据
  • 近似重复需要人工判断 —— “Apple Inc.” vs “APPLE INC” 是同一家公司吗？