用 Claude 读懂 Excel 数据：从上传到分析

上传之前先把表理顺

模型读表，靠的是行列结构。合并单元格、两行表头、合计行混在明细里，都会让字段错位。上传前做四件事：一行只放一条记录；表头只占一行；日期统一成一种格式；单独标出合计、小计、备注行。

如果工作簿里有多个 sheet，先说明你要看哪一个，或者拆开分别上传。省掉这一步，模型可能把汇总页当成明细页来算。列名尽量用简短的中文，避免空格和特殊符号，你和它讨论时都省事。

第一步不是分析，是确认结构

拿到一份销售明细，先让它描述表，而不是直接给结论。

这份表是过去 12 个月的订单明细，一行一个订单。
先不要下结论，按四步回答：
1. 每一列的含义，不确定的标出来
2. 总行数、日期范围、金额合计
3. 缺失值和异常值：列名、数量、一个例子
4. 需要我确认的口径问题

这一步能暴露很多问题：日期被当成文本、金额带货币符号、状态列拼写不一致。结构没对齐，后面的分析都不可靠。字段怎么约束，可以参考结构化输出的思路。

问题要分层

「分析一下这份数据」会把描述、诊断、建议混在一起，听起来完整，实际没法验证。拆成三层问：

• 发生了什么：按月销售额、环比变化、最高与最低的品类。
• 为什么：哪些品类或区域贡献了变化，是否存在异常订单。
• 接下来怎么办：给出两三个假设，并说明各需要什么数据验证。

一次只问一层，拿到结果再继续。这样每一步都能检查，也能避免它用建议掩盖数据上的空白。

提问时带上比较对象。只说「销售额怎么样」没有意义，要说「和上季度比、和去年同期比、和目标比」。比较基准不同，结论可能相反。让它把基准写在标题里，避免读者误解。

要代码，不要只要结论

让 Claude 直接给分析结论，你很难复核。更稳的方式是让它写一段 pandas 代码，你在本地跑，结果可重复。

用 pandas 读取这份 Excel：
1. 把日期列转成日期类型，非法的行单独输出
2. 按月和品类汇总销售额
3. 计算环比增长率
4. 输出前 10 行结果和一个缺失值统计
不要修改原文件；列名不确定时先打印出来。

代码跑完，先看它打印的中间结果：日期范围、行数、空值数量。中间结果不对，后面的图再漂亮也没有意义。

代码还能当文档留存，下个月换数据直接重跑。若只是临时看数，让它在对话里直接算更快；但涉及关键决策时，仍要回到可复现的脚本。数据量大时，先了解上下文窗口的限制，再决定是整表上传还是抽样。

大表拆着看

工作簿一大，第一件要确认的不是分析口径，而是这份文件能不能被完整读进去。单个文件有大小上限，超长文件也可能只处理前面一部分，具体数值以当前产品说明为准。

行数上万时，不要整表塞进对话。按 sheet 拆、按月份拆，或者让脚本在本地读文件、只把汇总结果发回来。拆的时候一次只交一页：

这个工作簿有四个 sheet：订单、退款、商品、门店。
先只读「订单」页，回答三件事：行数、列名、日期范围。
不要读取其他 sheet，也不要给结论。

一次只交一页还有个实际好处：哪一页读错，只需重传那一页，不用把整本工作簿重来。扫描件和图片里的表格识别准确率低于原生表格，嵌套表头容易错位；关键的表先人工核对一遍列是否对齐，再往下问。文件类型和支持范围可以对照文件上传指南。

上传前的隐私处理

• 姓名换代号，手机号遮住中间四位，身份证号、银行卡号整列删掉，只留分析用得上的列。
• 合同、薪酬、财务明细这类材料，先确认公司允不允许上传到外部服务；不允许就改成本地脚本处理。
• 文件一旦上传就进入这段对话的上下文，转发对话前先检查里面有没有敏感内容。

脱敏要可逆：代号和原文的对应关系留在本地，分析结果回来后再替换。把真名直接交给模型，省下的是几分钟，赔上的是没法撤回的泄露风险。

三个必须核对的口径

• 去重：一个订单号是否出现多次。
• 退款与取消：销售额是下单口径还是成交口径。
• 时间范围：截止到哪一天，是否包含未结算订单。

模型的合计和你按源表算的对不上，先停下来找原因，不要带着疑问继续问。口径写进提示词，也写进最终报告的脚注。

出现三种信号就停：合计对不上源表、同类目在不同问题里数字不一致、结论依赖表里不存在的字段。前两种多半是口径或解析问题，第三种是模型在补全。停下来检查原始数据，比继续追问更快。

自测

1. 你的表是一行一条记录吗？
2. 你能说清销售额用的是哪个口径吗？
3. 结论能不能用一段代码复现？

先让结构清楚，再让问题分层，最后让结果可复现，表格分析就稳了。下一节把结果展示出来：Artifacts 能做什么。