AI+Python 财务应用基础 课件 项目3、4 AI+Python财务应用进阶、AI+pandas数据分析基础

AI+Python财务应用进阶CONTENTS目录01

学习目标02

构建决策判断逻辑——if条件分支03

构建业务循环逻辑——while和for...in04

提升业务处理效率——函数05

提升代码灵活性——模块06

AI拓展与知识巩固学习目标01知识目标

01掌握Python程序控制语句用法熟练运用if条件分支（单分支、双分支、多分支及嵌套）、循环控制（while、forin及嵌套循环）及break、continue跳转语句，构建财务决策逻辑。

02掌握函数基本语法及应用理解内置函数（如max、min、sum、round）和自定义函数的定义、参数传递及返回值，实现财务数据的高效处理。

03掌握模块基本语法及应用熟悉内置模块（random、datetime）、第三方模块（numpy、pandas）的导入与使用，提升代码复用性与功能拓展性。

04理解AI+Python代码生成原理通过分析AI生成的财务代码，掌握大模型对业务逻辑的解析模式，如“优化循环结构”等场景的代码框架生成逻辑。能力目标

实现财务业务逻辑处理能运用Python条件控制和循环控制，解决企业预算监控、销售数据统计等实际财务场景问题，如通过多分支判断评估预算支出进度。

实现程序模块化设计根据业务需求，使用函数、模块等工具拆分复杂财务任务，例如自定义贷款还款计算函数，提升代码可维护性与复用性。

结合AI工具解决复杂问题利用DeepSeek、豆包等AI工具，通过自然语言提示词生成Python代码，并根据财务实际需求调整优化，如生成库存预警系统代码，并优化循环结构。素养目标培养批判性思维与创新意识灵活运用Python与AI工具解决财务问题，对AI生成代码进行合理性验证与优化，提出创新性解决方案，如改进传统手动记账流程。坚守诚信服务与职业素养在财务数据处理中严守数据真实性原则，确保代码逻辑合规，遵循数据安全等监管要求，做到德法兼修。提升数字素养与技术应用能力掌握“AI助手+Python编程”模式，适应智能化财务工作趋势，提升数据驱动决策能力，助力企业财务数字化转型。构建决策判断逻辑

——if条件分支02单分支判断——if

单分支if语法格式if条件:代码块（满足条件时执行）。例如：某产品单位采购成本低于10元（条件），接受订单（执行语句）。

业务场景：监控预算超支企业设定预算额度，ERP系统实时监控实际支出。当expense>budget时，输出“警告：当前支出已超出预算，请及时控制！”；若expense≤budget，则无输出。

代码示例与执行特点【In】expense=1200，budget=1000，ifexpense>budget:print(警告)【Out】警告信息。不满足条件时，执行后无结果输出。

语法注意事项Python用4个英文空格缩进控制层次结构，条件语句后需加英文冒号，否则程序报错。双分支判断——if...else

双分支if...else语法格式if条件:代码块A（满足条件执行）else:代码块B（不满足条件执行）。如信用评分满足条件，批准贷款，否则拒绝。

业务场景：判断预算是否超支expense=800budget=1000ifexpense<=budget:print(“目前支出在预算范围内...”)else:print(“支出已超出预算...”)

执行逻辑与语法要点if条件为True执行代码块A，为False执行代码块B。if和else语句后均需加英文冒号，否则程序报错。多分支判断——if...elif...else01多分支if...elif...else语法格式if条件1:代码块Aelif条件2:代码块Belif条件3:代码块Celse:代码块D。用于存在多种选择的决策场景。02业务场景：销售人员业绩评定月销售额>100000元为A级（奖金10%），80001-100000元为B级（8%），50001-80000元为C级（5%），20001-50000元为D级（3%），≤20000元为E级（无奖金）。03代码示例与执行顺序复杂判断——if嵌套if嵌套语句结构

将if、if...else、if...elif...else语句相互嵌套，用于需先满足某个条件才进行另一条件判断的场景，如根据会员身份及级别确定订单折扣。业务场景：计算订单折扣

普通客户无折扣会员按等级享受折扣：黄金会员95折铂金会员90折钻石会员85折。代码示例与输出结果

【In】ismember='会员'，member_type='黄金会员'order=1888.00通过if嵌套计算折扣【Out】消费金额：1888.00元;折扣金额：94.40元;应付金额：1793.60元。AI导训：条件分支应用

AI工具与提示词AI工具：豆包AI编程助手。提示词：围绕金融业务场景，使用if条件判断进行决策，并对代码注释和输出结果进行详细展示。

AI生成代码示例定义客户信用评分、贷款金额、合格阈值等，输出客户基本信息，用if...else判断：若信用评分≥阈值且贷款金额<安全阈值，批准贷款；若信用评分达标但金额超阈值，提示需进一步审核；否则拒绝贷款。

运行结果展示构建业务循环逻辑

——while和for...in03循环控制——whilewhile循环语法结构while循环通过判断条件是否成立重复执行代码块，语法格式：“while条件:代码块”。与if单分支结构类似，但会循环判断条件直至不满足时结束。4步法构造循环构造while循环4步：初始化变量、设置循环条件、执行循环体、更新变量。以计算1-10自然数和为例：初始化i=1sum=0条件i<11；循环体sum+=i；更新i+=1，最终输出结果55。死循环风险与中断方法若循环条件始终为True会导致死循环，如：“while1>0:print('loop')”可通过“Ctrl+C”组合键中断循环或强制结束Python进程解决。遍历数据结构——for...infor...in循环基础语法for...in循环通过遍历序列元素执行代码块，语法格式为“for变量in序列:代码块”。与while循环的区别在于，其循环次数由序列长度决定，遍历完元素后自动结束。range()函数应用range(start,stop,step)生成整数序列，start为起始值（默认0）stop为结束值（必选，不包含）step为步长（默认1）。如range(2,20,2)生成不包含20的偶数序列多数据结构遍历支持for...in循环可遍历字符串、列表、元组、字典等数据结构。例如遍历列表[1,2,3]时，变量依次取1、2、3并执行循环体适用于财务数据批量处理场景。复杂业务处理——嵌套循环

嵌套循环概念与类型嵌套循环指在一个循环内部包含另一个循环，支持while-while、for-for、while-for等组合形式。适用于处理多维数据或层级化业务逻辑，如按公司和季度双层维度计算预算。

子公司季度预算计算案例某集团甲、乙、丙公司年度管理费用预算分别为20、30、50万元，季度分配比例为0.3、0.2、0.2、0.3。通过for循环遍历公司，嵌套while循环计算各季度预算。

循环嵌套执行逻辑外层循环执行一次，内层循环完整执行一轮。以上述案例为例，外层for循环遍历每个公司时，内层while循环会执行4次（对应4个季度），依次计算并存储各季度预算值。循环流程控制——break、continuebreak语句：强制退出循环break语句在满足条件时立即终止整个循环，语法格式为“if条件:break”。适用于找到目标结果后停止遍历，如在近5年销售数据中查找首月销售额超10万元的月份，可减少循环，找到目标即停止。continue语句：跳过当前循环continue语句在满足条件时跳过本次循环剩余代码，直接开始下次循环，语法格式为“if条件:continue”。使用时需将变量更新语句置于continue前，避免死循环。例如输出1-100偶数时，遇奇数则执行continue跳过。两者区别与应用场景break完全终止循环，continue仅跳过当前迭代。财务场景中，break可用于异常数据终止处理，continue可用于过滤无效数据（如剔除负数销售额后计算总和）。AI导训：循环结构应用

01AI提示词设计要点围绕财务业务场景设计提示词，需明确指定循环类型（while/for...in）及控制语句（break/continue），要求代码注释和输出结果详细展示。示例提示词：“使用while循环计算项目利润，遇亏损项目用break停止，展示代码注释及结果”。

02AI生成代码案例AI根据提示词生成项目利润计算代码：定义包含项目名称、收入、成本的元组列表，通过while循环遍历项目，计算利润后判断是否亏损，若亏损则break并输出“遇到亏损项目C，停止计算”。

03AI辅助优势AI工具可快速生成循环结构代码框架，自动调用break/continue等控制语句，减少人工编写错误。例如豆包AI编程助手能根据财务数据特征，优化循环逻辑（如动态调整遍历范围），提升复杂业务处理效率。提升业务处理效率——函数04常见业务需求处理——内置函数

Python常用内置函数概览Python提供大量内置函数，涵盖数据计算、类型转换、序列操作等，如abs()、len()、max()、min()、round()、pow()、sum()、format()等，可直接调用提升财务数据处理效率。

统计分析场景应用：max()与min()用于找出数据极值，如某公司2025年上半年销售额max()返回最高销售额min()返回最低销售额支持元组、列表、集合等数据类型。常见业务需求处理——内置函数

数值计算场景应用：round()与pow()round(x,n)对浮点数四舍五入，如6月销售额65万元，日均销售额65/30≈2.17（保留2位小数）；pow(x,n)计算幂值，1月成本20万元（年利率6%），复利终值系数pow(1+0.06/12/31,31)

数据汇总与格式化：sum()与format()sum()对序列求和，上半年销售额总和sum([50,60,55,70,80,65])=380万元，指定start参数可叠加初始值；format()格式化字符串，如"6月份共30天，日均销售额为{:.2f}万元".format(65/30)输出"6月份共30天，日均销售额为2.17万元"。定制业务需求实现——自定义函数

自定义函数语法与结构语法：def函数名(参数列表):函数体[return返回值列表]。需注意函数体缩进（4个空格），参数列表可空，返回值根据功能需求设置，无return时返回None。

参数传递机制形式参数为定义函数时的参数，实际参数为调用时传入的值，二者数量需一致。如定义deffunc(principal,rate,time)计算贷款还款额，调用时需传入3个参数，少传或多传将报错。

函数返回值作用通过return语句将计算结果传递给调用者。例如计算贷款到期还款额函数：deffunc(principal,rate,time):

amount=principal*(1+rate)**timereturnamount调用func(10000,0.05,5)定制业务需求实现——自定义函数

业务案例：贷款还款额计算定义复利计算函数输入本金10000元、年利率5%、期限5年调用函数并四舍五入，结果为12762.82元实现定制化财务计算需求，支持重复调用。AI导训：函数应用

AI工具与提示词设计使用豆包AI编程助手，提示词需明确业务场景（如财务数据处理）、函数类型（内置/自定义）及输出要求（代码注释、结果展示）。示例提示词："围绕财务业务场景，使用内置函数处理数据计算问题，并对代码注释和输出结果进行详细展示。"

内置函数应用生成示例AI生成代码：定义每日收入列表[1200,1500,1300,1400,1600]，用sum()计算总收入7000元，max()得最高单日收入1600元，min()得最低单日收入1200元，代码简洁且注释清晰。AI导训：函数应用

自定义函数应用生成示例提示词："定义计算奖金的自定义函数，参数为基本工资和绩效系数"，AI生成代码：defcalculate_bonus(base_salary,performance_ratio):returnbase_salary*performance_ratio调用时输入基本工资5000、绩效系数1.2，结果6000.0元（round()保留2位小数）。

AI在函数开发中的价值AI可根据自然语言需求快速生成函数框架，减少重复编码工作，辅助理解参数传递、返回值逻辑，提升财务人员Python函数应用能力，适配多样化定制化业务场景。提升代码灵活性——模块05代码复用实现——导入模块

import导入模块直接使用import导入模块，可指定别名简化引用。语法：import模块名[as别名]。示例：importrandom或importrandomasrd。

from...import...导入模块按需导入模块中的特定方法，可指定方法别名。语法：from模块名import方法[as别名]。示例：fromrandomimportrandom或fromrandomimportrandomasrd。

两种导入方式区别import导入需加模块名前缀调用方法；from...import...导入可直接调用方法，无需前缀。开发流程简化——内置模块

random模块：随机数生成生成随机数工具，常用函数：random()生成0-1浮点数，randint(a,b)返回a-b整数，choice(seq)从序列随机选元素。示例：rd.randint(10,20)返回10-20间整数。

datetime模块：日期时间处理处理日期时间，常用函数：now()获取当前时间，strptime()字符串转时间，strftime()时间转字符串。示例：dt.datetime.now()返回当前时间，格式如2025-09-2821:11:44。

内置模块优势Python自带，无需安装，直接导入使用，覆盖随机数、日期等基础功能，简化开发流程。应用场景拓展——第三方模块

第三方模块概述社区贡献的开源模块，需先安装再导入。财务常用：numpy（数组计算）、pandas（数据处理）、matplotlib（可视化）、pyecharts（图表）。

numpy模块：多维数组处理处理同类型多维数组，支持矩阵运算。创建数组用array()函数，示例：np.array([[1,2],[3,4]])生成二维数组。可查看dtype（数据类型）、shape（尺寸）等属性。

其他财务模块简介pandas用于结构化数据清洗与分析，matplotlib绘制折线图等，pyecharts生成交互式图表，助力财务数据深度处理与展示。AI导训：模块应用AI提示词围绕财务业务场景，使用第三方模块处理数据计算问题，对代码注释和输出结果详细展示。AI生成代码导入numpy模块，定义销售额数据，计算标准差、均值和总和：importnumpyasnpsales_data=[12000,13000,11000,14000]std_dev=np.std(sales_data)mean_val=np.mean(sales_data)total=np.sum(sales_data)print(f'标准差:{std_dev},均值:{mean_val},总和:{total}')。运行结果与AI辅助作用运行结果：标准差:1118.03,均值:12500.0,总和:50000。AI可快速生成模块应用代码框架，简化财务数据处理编程，提升开发效率。AI拓展与知识巩固06AI拓展示例

业务场景与需求角色定位为企业财务人员，需根据员工绩效评分（0-100分）计算奖金。规则：≥90分10000元，80-89分5000元，70-79分2000元，＜70分无奖金。

Python代码实现定义calculate_bonus函数，通过if-elif-else条件分支判断评分区间，返回对应奖金。支持用户输入评分并输出计算结果，如输入95分，输出奖金10000元。

AI应用价值AI根据自然语言需求自动生成核心逻辑代码，简化财务决策程序开发，提升绩效奖金核算效率，减少人工计算错误。生成式AI财务数据分析案例多源数据整合自动化传统财务分析需手动从ERP、CRM和Excel等系统导出数据，易出现遗漏或错误。生成式AI通过自然语言理解自动抓取并整合多源数据，例如使用Python的requests库结合AI模型，一键提取各部门成本数据并生成标准化数据集，减少数据预处理时间。智能可视化报告生成基于整合后的数据，AI工具可自动生成多维度分析报告，支持自然语言交互查询。例如针对"各部门成本结构变化"的问题，AI不仅能生成趋势对比图和关联分析表，还能解析业务问题，输出"市场部营销费用占比同比上升，建议优化广告投放渠道"等决策建议。实时业务监控应用部署生成式AI模型至企业财务系统，可实现7×24小时实时监控。当某产品线利润率低于阈值时，系统自动触发预警并推送原因分析，如"智能家电产品线原材料成本上涨导致利润率下降**%"，帮助财务人员快速响应业务变化。预算监控自动化案例

预算计算全流程自动化开发Python脚本实现预算编制、执行与分析的端到端自动化。使用pandas读取Excel预算模板，自动计算各部门季度预算分配（如销售部Q1预算=年度总预算×0.3），并生成动态调整表。

超支预警机制实现构建预算监控仪表盘，通过Matplotlib绘制实时支出曲线，当某项目支出占比超过预算80%时触发黄色预警，超过100%时触发红色预警。结合SMTP协议自动发送邮件提醒，例如"研发部硬件采购已超支12%，当前支出112万元"。

效率提升实际效果某企业财务团队应用该系统后，预算编制周期缩短，超支发现时间从月度报表滞后变为实时监控，年度预算调整次数减少，财务人员成功实现从核算型向管理型角色转型。知识巩固练习

01即测即评通过扫描二维码完成交互式练习，快速检验Python条件分支、循环控制、函数及模块应用等知识点掌握情况，即时反馈学习效果。

02技能提升任务一：产品线财务分析基于宏大公司智能家电、传统家电等产品线数据，编写代码计算各产品线利润，识别利润最高和最低）的产品线。

03技能提升任务二：库存发货系统开发模拟A产品库存150件，开发系统监控库存水平，库存充足时允许发货，不足则提示停止发货。需运用循环控制与条件判断实现实时库存管理逻辑。总结与展望

项目核心内容回顾系统学习Python条件分支（单/双/多分支、嵌套if）、循环控制（while/for、嵌套循环、break/continue）、函数（内置/自定义）及模块（内置/第三方），掌握AI生成与优化财务代码的方法。

技术融合价值Python进阶语法与AI工具结合，可高效解决绩效奖金计算、库存优化、销售预测等财务问题，提升数据处理效率与决策准确性，助力财务数字化转型。

未来应用前景未来可深入应用numpy、pandas等第三方模块进行财务大数据分析，结合matplotlib、pyecharts实现可视化报表，推动企业财务从核算型向战略决策支持型转变。THEEND谢谢AI+pandas数据分析基础CONTENTS目录01

学习目标02

任务一：处理结构化数据03

任务二：获取与保存数据04

任务三：筛选与索引数据CONTENTS目录05

任务四：整合业财税数据06

AI拓展07

知识巩固学习目标01知识目标DataFrame表格数据操作掌握利用DataFrame对表格数据进行增、删、改、查等操作的方法，包括创建DataFrame、增加/修改行列数据、查看数据及删除数据等。**案例**：创建企业会计科目余额明细表DataFrame，包含科目代码、期初余额等字段，实现财务数据结构化存储。pandas数据处理方法掌握利用pandas读写文件（如Excel、CSV）、筛选与索引数据（直接索引、布尔索引、loc和iloc索引器）、连接与合并数据（merge、concat）以及进行数据透视（pivot_table）的方法。**案例**：读取多季度销售Excel文件，合并数据后筛选出重点产品销售记录。AI+Python数据分析业务逻辑理解AI+Python进行数据分析的业务逻辑，包括借助AI工具自动生成数据存储、处理、分析的Python代码框架，并结合财务等实际业务场景实现数据驱动决策。**案例**：使用AI工具生成财务比率分析代码框架，自动计算流动比率、资产负债率等关键指标。能力目标

财务数据管理应用能够理解DataFrame数据结构在财务数据管理中的意义，认识到其作为财务数据最佳存储方式，可高效管理会计科目余额明细表等结构化数据。**案例**：将传统Excel格式的会计科目余额表转换为DataFrame，实现科目余额的快速汇总与异常值检测。

财务数据处理分析能够利用pandas对财务数据进行处理与分析，如通过四则运算增加列数据、使用布尔索引筛选满足特定条件的财务数据、对数据进行描述性统计等。**案例**：对销售数据进行筛选，提取季度销售额超100万的产品记录并计算利润率。

AI代码生成优化能够通过AI工具自动生成数据存储、处理、分析的Python代码框架，并进行人工校验优化，例如使用AI自然语言指令生成合并季度报表的pandas代码框架。**案例**：向AI工具输入"合并2025年四个季度销售报表并计算各产品年度销售额"，生成代码后检查数据合并逻辑正确性。素养目标数据伦理责任意识

树立数据伦理和数字责任意识，培养敏锐的洞察力，在处理和分析数据过程中，遵守数据使用规范，保护数据安全与隐私。**案例**：处理客户财务数据时，通过代码自动脱敏身份证号、银行卡号等敏感信息，仅保留后四位用于展示。批判思维分析能力

面对复杂的财务数据和信息，培养批判性思维和综合分析问题的能力，能够从数据中发现问题、分析原因并提出合理见解。**案例**：发现某产品销售额突增时，通过多维度数据分析排除数据录入错误、确认促销活动效果，最终提出扩大促销范围的建议。AI结果双向验证

具备AI辅助分析结果的双向验证意识，能够评估AI数据处理建议的合理性，不盲目依赖AI输出，确保数据分析结果的准确性和可靠性。**案例**：对AI生成的"按地区汇总销售数据"代码，通过手动计算某地区小计值与AI输出结果比对，验证代码逻辑正确性。任务一：处理结构化数据02导入pandas模块

基础导入语句Python中使用`importpandas`语句导入pandas模块，这是使用pandas进行数据处理的前提步骤。

设置别名"pd"为简化后续调用，通常通过`importpandasaspd`为模块设置别名"pd"，使代码更简洁高效。

导入验证与调用方式首次成功导入后，可通过`pd.函数名`调用相关功能，例如`pd.DataFrame()`创建数据结构。存储表格数据——DataFrameDataFrame核心特点pandas中二维表格型数据结构，包含有序列（支持数值、字符串、布尔等类型），同时具备行索引和列索引，类似Excel表格。行索引与列索引行索引为横向标识，列索引为纵向标识，默认从0开始的整数序列，也可自定义（如会计科目代码作为行索引）。财务数据结构示例以会计科目余额明细表为例，包含"科目代码""期初余额""本期发生额"等列，清晰展示财务数据的表格化存储形式。创建DataFrame

DataFrame()函数参数创建函数包含三个核心参数：data（数据集合，如列表、字典）columns（列索引名称）index（行索引名称），参数缺失时使用默认值。

通过列表创建示例示例代码：`pd.DataFrame([['库存现金',11394.0,1000,'借'],...],columns=['科目名称','期初余额',...],index=['1001','1002',...])`，生成会计科目数据表。

业务场景应用企业会计信息系统升级中，可通过DataFrame存储科目余额明细表，支持数据迁移、校对与验证等操作，替代传统Excel管理方式。DataFrame基本操作

增加与修改数据通过`df['新列名']=表达式`增加列（如`df['期末余额']=df['期初余额']+df['本期发生额']`）；通过`df.loc['新行索引']=[值1,值2,...]`增加行，重新赋值即可修改数据。**案例**：在会计科目余额表中新增"期末余额"列，根据借贷方向自动计算余额（借方：期初+本期借方-本期贷方；贷方相反）。

数据查看与统计使用`head(i)`查看前i行数据（如`df.head(3)`）、`tail(i)`查看后i行；`describe()`函数生成均值、标准差等描述性统计指标，快速掌握数据分布特征。**案例**：对销售数据使用describe()分析各产品价格分布，发现某产品价格标准差异常，追溯发现数据录入错误。

数据删除方法通过`df.drop(索引,axis=0/1)`删除行或列（axis=0为行，axis=1为列），需设置`inplace=True`修改原数据；或用`deldf['列名']`删除列，`deldf`删除整个DataFrame。**案例**：删除会计科目表中"备注"列（冗余信息）及余额为0且无发生额的无效科目行，精简分析数据集。DataFrame基本操作

转置操作通过`df.T`实现行列互换，优化数据处理中行列关系的利用，适用于多角度数据分析场景。任务二：获取与保存数据03pandas读写函数

核心读写函数概览pandas提供丰富的函数支持多数据源读写，形成DataFrame用于分析。关键函数包括Excel文件的read_excel()/to_excel()、CSV文件的read_csv()/to_csv()等，覆盖JSON、SQL、HTML等多种格式。

数据源与函数对应表常见数据源及其读写函数对应关系如下：Excel（read_excel/to_excel）、CSV（read_csv/to_csv）、JSON（read_json/to_json）、SQL（read_sql/to_sql），确保数据读取的准确性和写入的规范性。导入外部数据——读取Excel文件基础语法与路径参数（io）使用pd.read_excel(io)读取Excel文件，io为文件路径，建议加'r'防止字符转义，如pd.read_excel(r'D:python会计科目明细表1.xlsx')。数据与程序同目录时可直接用文件名（相对路径）。工作表与列索引设置（sheet_name/header）sheet_name指定工作表，默认0（首个工作表）或用表名如'sheet2'；header设置列名行，默认0（首行），多重列名可设为[0,1]。示例：pd.read_excel('文件.xlsx',sheet_name=1,header=1)。导入外部数据——读取Excel文件01自定义列名与数据筛选（names/usecols）names自定义列名需与Excel列长度一致，如names=['Code','Name']；usecols选取指定列，可用索引[0,2]或列名，减少资源占用。示例：pd.read_excel('文件.xlsx',usecols=[1,4])。**案例**：从ERP系统导出的"科目余额表.xlsx"中，仅读取"科目代码"（列索引0）、"科目名称"（列索引1）和"期末余额"（列索引5）三列数据进行分析。02批量读取与合并表格当需处理多个格式相同的Excel工作表时，可通过循环遍历sheet_name列表实现批量读取，结合concat()函数纵向合并数据，提高数据整合效率。**案例**：批量读取包含12个月份的"销售数据.xlsx"（每个工作表为一个月数据），合并为全年销售数据表，代码框架：`dfs=[pd.read_excel('销售数据.xlsx',sheet_name=i)foriinrange(12)];all_data=pd.concat(dfs,ignore_index=True)`。保存数据结果——写入Excel文件

基础语法与核心参数语法：df.to_excel(excel_writer,sheet_name='Sheet1',index=True)。excel_writer为保存路径，sheet_name指定工作表名，index控制是否显示索引（True显示，False不显示）。

路径与工作表设置示例将DataFrame写入当前目录Excel：df.to_excel('会计科目明细表2.xlsx')，默认工作表为'Sheet1'。如需自定义表名：df.to_excel('数据.xlsx',sheet_name='财务数据',index=False)。保存数据结果——写入Excel文件

AI辅助财务数据读写案例AI工具可生成财务数据读写代码，如定义收入成本数据后，计算利润并写入Excel：df['利润']=df['收入']-df['成本']df.to_excel('financial_data.xlsx',index=False)，实现数据处理与存储自动化。任务三：筛选与索引数据04定位数据——直接索引

选取单列数据通过直接索引列名选取所在列数据，语法格式为df['列名']。例如，选取“科目名称”列数据：df['科目名称']。

选取多列数据将多个列名用英文逗号隔开并置于方括号内，语法格式为df[['列名1','列名2']]。例如，选取“科目代码”和“科目名称”列数据：df[['科目代码','科目名称']]。

选取连续行数据用英文冒号分隔起始行索引和结束行索引，遵循“左闭右开”原则，语法格式为df[起始行索引:结束行索引]。例如，选取行索引1～3的数据：df[1:4]。筛选数据——布尔索引

布尔索引的概念布尔索引是带条件判断的索引，可用于选取某列中满足特定条件的行数据，能实现更灵活的数据筛选和过滤。

选取满足单个条件的数据语法格式为df[df['列名']==条件]，条件为字符串时需加引号。例如，选取“方向”为“借”的数据：df[df['方向']=='借']。**案例**：从会计科目余额表中筛选出"期末余额>100000"的科目记录：`df[df['期末余额']>100000]`。

选取满足多个条件的数据多条件筛选使用"&"（并）、"|"（或）连接，每个条件需用括号括起。示例：筛选"方向为借且期末余额>50000"的科目：`df[(df['方向']=='借')&(df['期末余额']>50000)]`。**案例**：在销售数据中筛选"地区='华东'且销售额>50000"或"地区='华南'且销售额>80000"的记录：`df[((df['地区']=='华东')&(df['销售额']>50000))|((df['地区']=='华南')&(df['销售额']>80000))]`。

条件判断的注意事项条件判断时，字符串条件需加引号；多个条件连接使用“&”（并）、“|”（或）操作符，不可用“and”或“or”；表示相等用两个等号“==”。灵活访问数据——loc和iloc索引器

01loc索引器（标签索引）基于标签（自定义索引或默认索引）选取数据，支持行名、列名及条件筛选。选取一行数据：df.loc['行名']；选取行、列组合数据：df.loc[['行名1','行名2'],['列名1','列名2']]；选取满足条件的行：df.loc[df['列名']>条件]；选取连续行、列数据：df.loc['行名1':'行名N','列名1':'列名N']（闭区间，包含始末数据）。**案例**：会计科目表中，通过自定义科目代码索引选取"1001库存现金"和"1002银行存款"的"期初余额"和"期末余额"：`df.loc[['1001','1002'],['期初余额','期末余额']]`。

02iloc索引器（位置索引）基于位置（原始索引，从0开始的整型数值）选取数据，遵循“左闭右开”原则。语法格式为df.iloc[起始行:终止行,起始列:终止列]。例如，获取行索引1、2且列索引0、1、2的数据：df.iloc[1:3,0:3]。**案例**：从销售数据前10行中，提取第3-5行（行索引2-4）和第2-4列（列索引1-3）的区域、产品和销售额数据：`df.iloc[2:5,1:4]`。灵活访问数据——loc和iloc索引器

loc与iloc的区别和适用场景区别：loc使用标签索引，支持自定义索引和条件筛选，切片为闭区间；iloc使用位置索引，仅接收整型数值，切片为“左闭右开”区间。适用场景：当数据有自定义索引且需按标签筛选时用loc；当需按位置快速定位数据时用iloc。任务四：整合业财税数据05合并多源信息——数据连接merge()函数与连接方式概述pandas的merge()函数支持内连接、外连接、左连接和右连接四种方式，通过指定连接键（on参数）和连接类型（how参数）实现多表数据整合，适用于ERP系统与CRM系统等多源财务数据的关联分析。内连接：保留匹配数据内连接（how='inner'）仅保留两表中连接键完全匹配的行。案例中部门收入表（销售部、研发部等）与成本表（销售部、研发部、行政部）内连接后，仅保留销售部和研发部数据，实现收支匹配分析。外连接：保留全部数据外连接（how='outer'）保留两表所有行，不匹配数据用NaN填充。案例中部门收入表与成本表外连接后，包含销售部、研发部、市场部、客服部、行政部全部部门，完整呈现企业各部门收支全貌。合并多源信息——数据连接

左/右连接：定向保留数据左连接（how='left'）保留左表全部行，右表不匹配行用NaN填充；右连接（how='right'）保留右表全部行，左表不匹配行用NaN填充。案例中左连接保留收入表所有部门，右连接保留成本表所有部门，满足不同业务场景的数据整合需求。统一数据结构——数据合并concat()函数与合并方向pandas的concat()函数通过axis参数控制合并方向：axis=0实现上下合并（按行合并），适用于同结构数据追加；axis=1实现左右合并（按列合并），适用于同索引数据横向拼接，解决多门店营业数据或多周期财务报表的整合问题。上下合并：同结构数据追加上下合并要求列名基本一致，通过ignore_index=True重置索引。案例中将新增的技术部、售后部收入数据追加到原部门收入表，形成完整的部门收入清单，支持企业全部门收入汇总分析。左右合并：同索引数据拼接左右合并按索引对齐数据，索引不一致时自动填充NaN。案例中将部门收入表与新增成本备注列横向合并，实现收入与成本备注的关联展示，需注意两表行数匹配以避免数据错位。统一数据结构——数据合并合并注意事项合并前需统一数据格式（如日期格式、数据类型），清理重复值与缺失值；上下合并时确保列名一致，左右合并时建议先对齐索引。财务场景中常用于月度报表合并、业财数据关联等场景，提升数据整合效率。发现数据规律——透视分析

pivot_table()函数核心参数数据透视函数pivot_table()通过index（行维度）、columns（列维度）、values（分析指标）、aggfunc（聚合方式）四大参数，实现多维度数据汇总分析，支持均值、总和等多种计算，是财务多维分析的核心工具。

单指标透视：聚焦关键数据按产品和地区透视销售额总和（values='销售额'，aggfunc='sum'），快速定位高销售额产品与区域；按月份和产品透视成本平均值（aggfunc='mean'），分析成本波动趋势，为预算调整提供数据支持。**案例**：对"销售数据.xlsx"按"产品类别"（index）和"季度"（columns）透视"销售额"总和，识别Q4季度家电类产品的销售峰值。

多指标透视：综合分析能力同时透视销售额与成本总和（values=['销售额','成本']），按地区和产品双维度展示，直观对比各区域产品的营收与成本结构，辅助判断产品盈利能力，优化资源分配策略。**案例**：财务分析中，按"部门"（index）和"费用类型"（columns）透视"金额"总和与平均值（aggfunc=['sum','mean']），既掌握各部门总支出，又了解费用发生频率。发现数据规律——透视分析

财务场景应用价值数据透视表可用于销售业绩分析（区域×产品×时间）、成本结构拆解（部门×项目×费用类型）、利润多维度汇总等场景。案例中通过多维度组合，快速从海量数据中挖掘业务规律，提升财务决策效率。AI拓展06AI+数据分析的应用价值

高效处理海量数据在数字化与人工智能深度融合的时代，pandas模块与AI工具协同运用，能够高效处理销售、成本、客户购买历史等海量数据，实现数据的快速合并、清洗与整理，为财务等领域的数据分析提供有力支持。**案例**：某电商企业使用AI工具自动生成代码，10分钟内完成100万条交易记录的数据清洗（去重、补全缺失值、异常值标记），而人工处理需2天。

精准计算与分析借助AI工具和pandas，可以实现利润的精准计算，通过对数据的深入挖掘，进行客户购买频率的细致分析，为企业决策提供准确的数据依据，提升决策的科学性和有效性。**案例**：AI根据"计算各产品毛利率并排序"的指令，自动生成代码计算（毛利率=(收入-成本)/收入），并按毛利率降序排列，快速定位高利润产品。

预测与趋势识别基于客户购买历史等数据，运用AI算法能够预测客户可能感兴趣的产品类别，同时对不同产品类别的销售趋势进行分析，识别出热销与滞销产品，助力企业优化产品策略和营销方向。**案例**：AI工具对客户购买记录进行RFM分析（最近购买时间、购买频率、消费金额），自动识别高价值客户并推荐个性化产品。AI拓展示例数据合并与利润计算以制造企业财务数据分析师角色为例，利用AI工具编写代码，创建销售数据和成本数据的DataFrame，通过merge()函数按产品名称和月份合并数据，并计算每种产品的利润，如产品A在1月销售额25000元、成本18000元，利润7000元。**案例代码**：`sales=pd.DataFrame([['A',1,25000],['B',1,30000]],columns=['产品','月份','销售额']);costs=pd.DataFrame([['A',1,18000],['B',1,22000]],columns=['产品','月份','成本']);merged=pd.merge(sales,costs,on=['产品','月份']);merged['利润']=merged['销售额']-merged['成本']`产品筛选与数据透视设定利润阈值（如6000元），筛选出利润大于阈值的产品数据，再通过pivot_table()函数按月份进行数据透视，汇总销售额和利润，清晰展示不同月份的销售和利润情况，为企业分析产品盈利状况提供直观参考。