XLSX

輸出要求

所有 Excel 檔案

專業字型

• 除非使用者另有指示，否則所有交付成果皆應使用一致且專業的字型（例如 Arial、Times New Roman）。

零公式錯誤

• 每個 Excel 模型在交付時必須保證零公式錯誤（#REF!、#DIV/0!、#VALUE!、#N/A、#NAME?）。

保留現有範本（更新範本時）

• 修改檔案時，務必研究並完全符合其現有格式、樣式與慣例。
• 絕對不要將標準化格式強加到已有既定模式的檔案上。
• 現有範本的慣例永遠優先於這些指南。

財務模型

顏色編碼標準

除非使用者或現有範本另有說明：

業界標準的顏色慣例

• 藍色文字 (RGB: 0,0,255)：寫死的輸入值（Hardcoded inputs），以及使用者為了情境而會更改的數字。
• 黑色文字 (RGB: 0,0,0)：所有的公式與計算。
• 綠色文字 (RGB: 0,128,0)：從相同活頁簿內的其他工作表提取資料的連結。
• 紅色文字 (RGB: 255,0,0)：連結至其他檔案的外部連結。
• 黃色背景 (RGB: 255,255,0)：需要注意的關鍵假設，或需要被更新的儲存格。

數字格式化標準

必須遵守的格式規則

• 年份：格式化為文字字串（例如 "2024" 而非 "2,024"）。
• 貨幣：使用 $#,##0 格式；務必在標題中指定單位（如 "營收 ($mm)"）。
• 零值 (Zeros)：使用數字格式使所有零顯示為 "-"，包括百分比（例如 "$#,##0;($#,##0);-"）。
• 百分比：預設為 0.0% 格式（小數點後一位）。
• 乘數/倍數 (Multiples)：估值倍數（EV/EBITDA、P/E）格式化為 0.0x。
• 負數：使用括號 (123) 而不是減號 -123。

公式建構規則

假設位置

• 將所有假設（增長率、利潤率、倍數等）放在獨立的假設儲存格中。
• 在公式中使用儲存格參照，而不是寫死的數值。
• 範例：使用 =B5*(1+$B$6) 而不是 =B5*1.05。

防止公式錯誤

• 驗證所有儲存格參照是否正確。
• 檢查範圍是否發生差一錯誤（off-by-one errors）。
• 確保所有預測期間的公式保持一致。
• 使用邊緣情況（零值、負數）進行測試。
• 驗證沒有意外的循環參照。

寫死數值的文件要求

• 在儲存格內加上註解，或在旁邊儲存格說明（如果在表格末端）。格式：「來源: [系統/文件], [日期], [具體參考], [URL 如適用]」
• 範例：
  • "來源: 公司 10-K, FY2024, 頁 45, 營收備註, [SEC EDGAR URL]"
  • "來源: 公司 10-Q, Q2 2025, 附件 99.1, [SEC EDGAR URL]"
  • "來源: 彭博終端機, 8/15/2025, AAPL US Equity"
  • "來源: FactSet, 8/20/2025, 預估共識篩選"

XLSX 建立、編輯與分析

概覽

使用者可能會要求你建立、編輯或分析 .xlsx 檔案的內容。針對不同的任務，你有不同的工具與工作流程可供使用。

重要要求

重新計算公式需要 LibreOffice：你可以假設已安裝 LibreOffice，並使用 scripts/recalc.py 腳本來重新計算公式值。該腳本會在首次執行時自動配置 LibreOffice，包括在 Unix sockets 受到限制的沙盒環境中（由 scripts/office/soffice.py 處理）。

讀取與分析資料

使用 pandas 進行資料分析

對於資料分析、視覺化與基本操作，請使用提供強大資料操作功能的 pandas：

import pandas as pd

# 讀取 Excel
df = pd.read_excel('file.xlsx')                          # 預設：第一個工作表
all_sheets = pd.read_excel('file.xlsx', sheet_name=None) # 所有工作表以 dict 呈現

# 分析
df.head()      # 預覽資料
df.info()      # 欄位資訊
df.describe()  # 統計數據

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

Excel 檔案工作流程

關鍵 (CRITICAL)：使用公式，而非寫死數值

請一律使用 Excel 公式，不要在 Python 中先計算好再把結果寫死到儲存格。 這能確保試算表保持動態且可隨資料更新。

❌ 錯誤做法 — 將計算後的值寫死

# 不良示範：在 Python 中計算並將結果寫死
total = df['Sales'].sum()
sheet['B10'] = total  # 寫死了 5000

# 不良示範：在 Python 中計算成長率
growth = (df.iloc[-1]['Revenue'] - df.iloc[0]['Revenue']) / df.iloc[0]['Revenue']
sheet['C5'] = growth  # 寫死了 0.15

# 不良示範：在 Python 計算平均數
avg = sum(values) / len(values)
sheet['D20'] = avg  # 寫死了 42.5

✅ 正確做法 — 使用 Excel 公式

# 良好示範：讓 Excel 計算總和
sheet['B10'] = '=SUM(B2:B9)'

# 良好示範：成長率作為 Excel 公式
sheet['C5'] = '=(C4-C2)/C2'

# 良好示範：使用 Excel 公式計算平均數
sheet['D20'] = '=AVERAGE(D2:D19)'

此原則適用於所有計算 — 總計、百分比、比率、差值等等。當來源資料改變時，試算表必須能夠重新計算。

常見工作流程

1. 選擇工具：用 pandas 處理資料，用 openpyxl 處理公式/格式
2. 建立／載入：建立新活頁簿或載入現有檔案
3. 修改：新增／編輯資料、公式與格式
4. 儲存：寫入檔案
5. 重新計算公式（若使用了公式則為強制步驟）：使用 scripts/recalc.py 腳本

   python scripts/recalc.py output.xlsx
   

6. 驗證並修復任何錯誤：
   • 腳本會回傳含錯誤詳情的 JSON
   • 若 status 為 errors_found，請查看 error_summary 以瞭解錯誤類型與位置
   • 修復識別出的錯誤，然後再次重新計算
   • 常見的待修錯誤：
     • #REF!：無效的儲存格參照
     • #DIV/0!：除以零
     • #VALUE!：公式中的資料型別錯誤
     • #NAME?：無法識別的公式名稱

建立新的 Excel 檔案

# 使用 openpyxl 設定公式與格式
from openpyxl import Workbook
from openpyxl.styles import Font, PatternFill, Alignment

wb = Workbook()
sheet = wb.active

# 加入資料
sheet['A1'] = 'Hello'
sheet['B1'] = 'World'
sheet.append(['Row', 'of', 'data'])

# 加入公式
sheet['B2'] = '=SUM(A1:A10)'

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

# 欄寬
sheet.column_dimensions['A'].width = 20

wb.save('output.xlsx')

編輯現有的 Excel 檔案

# 使用 openpyxl 以保留公式與既有格式
from openpyxl import load_workbook

# 載入現有檔案
wb = load_workbook('existing.xlsx')
sheet = wb.active  # 或使用 wb['SheetName'] 開啟指定工作表

# 處理多個工作表
for sheet_name in wb.sheetnames:
    sheet = wb[sheet_name]
    print(f"Sheet: {sheet_name}")

# 修改儲存格
sheet['A1'] = 'New Value'
sheet.insert_rows(2)  # 在第 2 列插入新列
sheet.delete_cols(3)  # 刪除第 3 欄

# 在活頁簿中建立新工作表
new_sheet = wb.create_sheet('NewSheet')
new_sheet['A1'] = 'Data'

wb.save('modified.xlsx')

公式重新計算

由 openpyxl 建立或修改的 Excel 檔案會以字串形式保留公式，但不包含計算後的數值。請使用內附的 scripts/recalc.py 腳本重新計算公式：

python scripts/recalc.py <excel_file> [timeout_seconds]

範例：

python scripts/recalc.py output.xlsx 30

此腳本會：

• 首次執行時自動設定 LibreOffice 巨集
• 重算所有工作表中的所有公式
• 掃描所有儲存格，偵測 Excel 錯誤（#REF!、#DIV/0! 等）
• 回傳 JSON，含詳細錯誤位置與計數
• 同時支援 Linux 與 macOS

公式驗證檢查清單

確保公式正確運作的快速檢查項目：

基本驗證

• 測試 2–3 個取樣參照：在建立完整模型前，先確認這些參照取出的值正確。
• 欄位對應：確認 Excel 欄位代碼正確（例如第 64 欄 = BL，不是 BK）。
• 列序偏移：謹記 Excel 列由 1 開始（DataFrame 第 5 列 ≡ Excel 第 6 列）。

常見陷阱

• NaN 處理：使用 pd.notna() 檢查空值。
• 最右側欄位：年度（FY）資料常落在第 50 欄之後。
• 多筆匹配：搜尋全部相符項，而非只取第一個。
• 除以零：在公式中使用 / 之前先檢查分母（#DIV/0!）。
• 參照錯誤：確認所有儲存格參照指向正確位置（#REF!）。
• 跨工作表參照：以正確格式（如 Sheet1!A1）連結不同工作表。

公式測試策略

• 小規模起手：先在 2–3 個儲存格上測試公式，再擴展套用。
• 驗證相依性：確認公式所參照的儲存格皆存在。
• 涵蓋邊界情境：測試零值、負數與極大值。

解讀 scripts/recalc.py 的輸出

腳本會回傳含錯誤資訊的 JSON：

{
  "status": "success",           // 或 "errors_found"
  "total_errors": 0,              // 錯誤總數
  "total_formulas": 42,           // 檔案內公式數量
  "error_summary": {              // 僅在發現錯誤時出現
    "#REF!": {
      "count": 2,
      "locations": ["Sheet1!B5", "Sheet1!C10"]
    }
  }
}

最佳實踐

函式庫選擇

• pandas：適合資料分析、批次操作與簡易匯出。
• openpyxl：適合複雜格式、公式以及 Excel 特有功能。

使用 openpyxl 的注意事項

• 儲存格索引以 1 為起點（row=1、column=1 即儲存格 A1）。
• 以 data_only=True 讀取計算後的數值：load_workbook('file.xlsx', data_only=True)。
• 警告：若以 data_only=True 開啟後再存檔，公式會被替換成數值並永久遺失。
• 大型檔案：讀取時使用 read_only=True；寫入時使用 write_only=True。
• 公式會被保留但不會被自動求值——請以 scripts/recalc.py 更新計算結果。

使用 pandas 的注意事項

• 明確指定資料型別，避免型別推斷問題：pd.read_excel('file.xlsx', dtype={'id': str})。
• 大型檔案僅讀取需要的欄位：pd.read_excel('file.xlsx', usecols=['A', 'C', 'E'])。
• 妥善處理日期：pd.read_excel('file.xlsx', parse_dates=['date_column'])。

程式碼風格指南

重要：在為 Excel 操作產生 Python 程式碼時：

• 撰寫精簡、扼要的 Python 程式碼，避免不必要的註解。
• 避免冗長的變數名稱與多餘的操作。
• 避免不必要的 print 敘述。

對 Excel 檔案本身：

• 為含有複雜公式或重要假設的儲存格加上註解。
• 為寫死的數值記錄資料來源。
• 為關鍵計算與模型段落加上說明。