说真的14天前我连print(hello)都要现查语法电脑上唯一跟编程沾边的经历是大学时用Excel录过几个宏。但这个月我硬是靠着AI辅助从零开始独立写完了一个能用的账龄分析脚本把财务同事手工对了一下午的应收账款明细用Python十几秒跑出了完整的分区间汇总和图表。这篇文章就是我的完整实战记录不吹不黑把我怎么一步步从只会让AI改代码到自己知道该让AI改什么的全过程写出来。如果你是编程零基础、但工作里经常要处理表格数据的读者这篇应该能给你一条可以照抄的路线。先交代一下背景免得你觉得我是标题党。我的本职工作和写代码没有半点关系日常大量时间在跟应收账款、合同、回款周期这类数据打交道。以前做账龄分析基本操作是把Excel里的明细导出来按日期区间筛选、分类、透视、画表一两个月的量还好全年数据一多每次都要花大半天而且容易漏区间、算错边界。这次我给自己定了一个14天的目标不报班、不看冗长教程全程用AI当教练做一个能自动完成账龄分析的Python脚本。现在回看这个项目选择对了路径也踩出了几条很实用的经验下面展开讲。1. 为什么第一个实战项目选账龄分析1.1 账龄分析到底在分析什么账龄分析是应收账款管理里的一个基础动作通俗说就是把每一笔还没收回来的款项按已经逾期多少天分到不同的桶里。比如0到30天一个桶31到60天一个桶61到90天一个桶90天以上一个桶。每个桶里的金额加起来就能看出整体回款风险集中在哪个区间逾期越久坏账概率越高。这个业务逻辑非常固定不依赖什么高深的财务知识也不需要机器学习模型。正因为逻辑足够清晰它特别适合当作第一个编程实战项目——你不需要同时学业务和代码业务你本来就懂只需要把注意力全部放在怎么用代码表达这个逻辑上。1.2 为什么它适合编程零基础起步我选这个项目的时候其实对比过另外几个方向比如做销售数据看板、爬网页信息、写自动化报表最后敲定账龄分析理由有三个。第一数据形态简单。涉及的核心字段总共就三样客户名称、到期日、金额。这三列数据在Excel里随处可见不涉及复杂的表关联拿过来就能练。第二结果可以手动验证。账龄分析做没做对你是能自己核对的——拿Excel手工筛一遍跟脚本跑出来的数字对一下一不一致立刻知道。这对零基础的人极其重要因为编程最大的恐惧就是我写的代码到底对不对有一个明确的验证标准心理压力小很多。第三成长路径是线性的。从读取Excel到处理日期到按条件分桶再到汇总和画图每一步都是前面一步的自然延伸不需要跳跃式地同时学一堆东西。1.3 14天学习路径的整体设计14天我大致是这么拆的前3天把Python环境和基础语法跑通中间4天专攻pandas这个数据处理库再用3天实现账龄分析的完整脚本最后4天做可视化、整理代码结构和写说明文档。这个方法不是我自己拍脑袋定的而是跟AI反复讨论后敲下来的方案。当时我对AI提的需求是我完全不会编程想在两周内用Python做一个账龄分析脚本请帮我排一个每天两小时的学习计划并且告诉我每一步应该怎么验证自己学会了。AI给出的计划跟这个差不多核心思路是小步快跑、每步可见。我当时还担心14天太紧后来发现只要不走弯路这个时间其实够用关键是要把精力全放在数据处理和逻辑实现上而不是去啃什么面向对象、多线程这些暂时用不上的概念。2. 从不会改代码到看懂AI生成的代码2.1 第1到3天把Python环境跑起来零基础学编程第一道坎往往是环境安装。我当时问了AI一个问题Python怎么装用什么写代码方便AI推荐的是直接去Python官网下载安装包配一个Visual Studio Code当编辑器再装上Python扩展插件。我照着做大概花了40分钟搞定。这里有个细节我想提醒新手安装的时候记得勾选Add Python to PATH这个选项否则后面在命令行里敲python会提示找不到命令。这个坑我第一天就踩了当时还以为是装坏了后来问AI才知道是环境变量的问题。装完之后不要急着写代码先在命令行敲两个验证命令python --version能输出版本号就说明装好了。然后在VS Code里建一个test.py文件写一行最简单的代码print(Hello)按F5或者点运行按钮如果控制台输出了Hello说明你的环境已经通了。这小小的一步对新手来说意义重大因为跑通代码这个动作一旦完成后面的所有学习都有了落脚点。第3天我开始让AI扮演老师的角色不是让它直接给我写账龄分析的完整代码而是让它教我三个最核心的基础概念变量、列表、函数。当时我用的对话方式很笨但很有效提示跟AI学编程最好的提问方式不是给我代码而是请用大白话讲清楚这个概念并给我三个从简单到难的练习题。让AI出题、你做题、再把答案给AI批改这比看10篇教程都管用。2.2 让AI当老师而不是当打字员很多人的误区是一上来就甩给AI一句话帮我写一个账龄分析程序。AI确实能写出来但那对学习没有任何帮助因为你看不懂每一行在干什么出了bug也不知道怎么改最后依然是个复读机使用者。我的策略不一样。第4天我开始正式用AI做账龄分析时第一句话是这样说的我正在学习用pandas处理Excel表格现在我要读取一个叫做应收账款.xlsx的文件里面有三列客户名称、到期日、金额。请给我一段最基础的读取代码并且对每一行加注释注释要写得像我完全不懂编程也能看懂。AI给了我大概15行代码每一行旁边都标了用途。我当时的做法是先在测试数据上跑一遍然后强迫自己不看注释把这15行代码打一遍。打错没关系运行报错也没关系报错信息就是最好的学习线索。我会把报错信息原样复制给AI让它解释哪里错了、为什么错、怎么改。前几次对话下来的感觉是AI就像一个24小时在线的耐心导师我提问的质量越高它教得越好。它会主动点拨一些我想不到的知识点比如日期格式转换的坑、中文字符编码的坑这些恰恰是实战里最容易卡住新手的点。2.3 看懂代码的最小知识包如果你想做类似的数据处理项目不需要学完整个Python只需要掌握下面这几个概念基本上就能看懂AI生成的大部分代码变量赋值就是把数据存进一个名字里比如df pd.read_excel(...)df就是装着表格数据的变量。pandas提供的数据结构叫DataFrame你可以粗略把它想象成一张内存里的Excel表有行有列支持各种筛选和计算。函数调用是编程里最常见的动作格式是函数名(参数)比如print(df.head())就是把表格的前几行打印出来。方法调用稍微有点绕格式是数据.方法名()比如df[金额].sum()就是取金额那一列并求和。分组和条件是数据处理的核心比如df.groupby(账龄区间)[金额].sum()的意思是按账龄区间分组对金额求和。还有个重要操作是定义一个自定义函数用def开头比如账龄区间划分逻辑就适合写成一个函数。循环和列表推导式偶尔会用到比如对每一行应用某个判断句。但说实话在pandas里很多循环操作都有更简洁的替代写法新手完全不需要死磕循环。我花了大概两天时间把这些概念通过AI的出题练习搞明白之后就进入了一个状态AI生成的代码我看得懂七成剩下的三成看不懂的地方就直接让AI翻译给我听。这个过程比想象中顺利因为没有一次需要直面从头写一段几十行代码这种高压场景。3. 账龄分析脚本的核心实现过程3.1 第一步读取和清洗数据我的原始数据长这样一个Excel表名字叫应收账款明细.xlsx里面有三列分别是客户名称、到期日、未收金额。第一步就是让AI生成一段读取代码然后我再根据实际情况微调。import pandas as pd # 读取Excel文件 df pd.read_excel(应收账款明细.xlsx) # 查看前几行确认数据读进来了 print(df.head()) # 查看列名和数据类型 print(df.columns) print(df.dtypes)这个阶段最常遇到的问题是日期列被读成了字符串或者时间格式不统一。Excel里的日期千奇百怪有的带时分秒有的是文本格式还有的直接是数字串。这时候就需要用pd.to_datetime()统一转换df[到期日] pd.to_datetime(df[到期日])我当时跑完这行代码后特意打印了df[到期日].dtypes看到显示datetime64[ns]才放心。这一步很关键因为后面所有账龄天数的计算都依赖正确的日期类型。3.2 第二步计算账龄并划分区间截止日期我用的是当天日期因为实际工作中最关心的是到今天为止还有多少没收回来。计算逻辑很简单用截止日减去到期日得到的天数就是账龄。from datetime import datetime # 当前日期作为统计截止日 today pd.Timestamp(datetime.today().date()) df[账龄天数] (today - df[到期日]).dt.days负数的账龄天数说明还没到期正数则是逾期天数。接下来是账龄分析最核心的区间划分。我当时和AI反复确认过口径最终用了这样一个自定义函数def 判断账龄区间(day): if day 0: return 未到期 elif day 30: return 1-30天 elif day 60: return 31-60天 elif day 90: return 61-90天 elif day 180: return 91-180天 else: return 180天以上 df[账龄区间] df[账龄天数].apply(判断账龄区间)这里有个新手容易懵的点为什么31-60天这个区间判断写的是day 60而不是30 day 60因为elif本身就是在前面条件不满足时才执行的所以走到elif day 60这一行时day必然已经大于30了不需要再重复写。区间怎么划分不是固定的完全取决于业务需要。有的公司习惯按0-30、30-60、60-90、90-120分有的会加一个180天以上的重点预警区间。我的建议是先跟业务确认口径再落到代码里别自己想当然。代码可以随意写口径定错了返工的是业务。3.3 第三步汇总透视与输出结果账龄区间算出来之后剩下的就是汇总和透视。我当时需要两个结果一个是每个区间的总金额另一个是每个区间里按客户再细分的情况。对应代码是# 按账龄区间汇总金额 汇总表 df.groupby(账龄区间)[未收金额].sum().reset_index() # 按账龄区间 客户名称汇总 明细透视表 df.pivot_table( index账龄区间, columns客户名称, values未收金额, aggfuncsum, fill_value0 )groupby是pandas里特别高频的操作字面意思就是按某某列分组分组之后可以求和、计数、求平均。pivot_table则是更灵活的透视表功能可以把区间变成行、客户变成列形成一张矩阵表。输出结果的时候有个大坑差点坑了我直接df.to_excel(结果.xlsx)会在Excel里显示乱码。后来按AI的提示改成这样就没问题了汇总表.to_excel(账龄汇总.xlsx, indexFalse, encodingutf-8-sig) # 明细透视表按客户分行展示先转置 明细透视表.T.to_excel(账龄明细透视.xlsx, encodingutf-8-sig)顺便提一句encodingutf-8-sig这个参数对Excel写中文特别重要。utf-8本身不会报错但Excel打开时容易显示乱码加个-sig等于在文件开头写了一个BOM标志Excel就能正确识别编码了。3.4 第四步可视化图表光有表格还不过瘾领导们最爱看的是图。我让AI帮我生成一个各账龄区间的金额分布柱状图和一个占比饼图。最初的版本是这样的import matplotlib.pyplot as plt # 让图表显示中文 plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False # 按金额从大到小排序柱状图好看一点 汇总表 汇总表.sort_values(未收金额, ascendingFalse) plt.figure(figsize(10, 6)) plt.bar(汇总表[账龄区间], 汇总表[未收金额], color#4C72B0) plt.title(应收账款账龄金额分布) plt.xlabel(账龄区间) plt.ylabel(金额) plt.show()中文显示这个坑我提一下matplotlib默认字体不支持中文不加plt.rcParams[font.sans-serif] [SimHei]这一行图上的中文全都会变成方框。如果你的电脑没有SimHei字体可以用Microsoft YaHei替代。柱状图做完后我又加了一个饼图看占比代码逻辑和柱状图类似用plt.pie()。坦白说到这一步我已经有点成就感了一个能自动读取Excel、算账龄、分区间、汇总、画图的脚本就这样在AI的帮助下一点点拼出来了。4. 实战中踩过的坑与排查经验4.1 AI生成代码跑不通的通用解法这是整个14天里我花时间最多的地方。AI生成代码不是一次就能跑通的第一次运行几乎必报错。但好消息是报错信息恰恰是解决问题的最佳入口。我的标准做法分三步。第一步把报错信息完整复制下来看清楚是哪个文件哪一行出了问题。第二步把报错信息原样发给AI不加任何评价就问这个错误是什么意思怎么解决。第三步根据AI的修改建议改代码改完再跑如果还有新报错就重复这个过程。印象最深的一个错误是KeyError: 到期日意思是在数据里找不到到期日这一列。排查后发现是Excel里表头有个看不见的空格列名实际叫到期日 。AI让我用df.columns打印一下所有列名果然看到列名带着空格。解决方案是加一行代码做列名清洗df.columns df.columns.str.strip()这个坑很常见尤其是从业务系统导出的表格表头经常带着空格、换行符之类的隐形字符。用str.strip()统一去掉首尾空格能省掉后面一大堆麻烦。4.2 日期和中文编码的细节坑日期处理是我踩坑的重灾区。第一次算账龄天数时我直接减两个字符串结果报了一个TypeError这才知道字符串不能直接做减法必须先转成日期类型。后来我又遇到一个更隐蔽的问题某几行的日期是2024/3/1这种格式另外几行却是2024-03-01pd.to_datetime()默认能处理这个差异但如果你的数据里混着类似20240301这种纯数字日期就得指定format参数告诉它怎么解析。中文编码的坑前面说过一次这里再补充一个Excel打开CSV乱码的解法。如果你用df.to_csv(结果.csv, encodingutf-8-sig)导出后用Excel打开就能正常显示中文了。如果你忘了加-sigCSV用记事本打开看着正常用Excel打开就是乱码第一次遇到时非常容易懵。还有一个小细节是关于路径的。如果你的Excel文件和Python脚本不在同一个文件夹读取文件时就要写绝对路径或者用os.path.join拼路径。我开始图省事只写了文件名结果每次运行都报找不到文件后来老老实实把脚本和Excel放在同一个目录下问题就解决了。对新手来说把相关文件都放在同一个文件夹里是最稳妥的做法。4.3 业务口径对齐的重要性编程层面都跑通之后还有一个更大的坑在等着我业务口径。我把脚本跑出来的结果发给财务同事核对人家问我你这个30天是按自然日算的还是按工作日算的自然日的话遇到节假日怎么办你们统计截止日是今天还是上个月底这些问题在写代码之前就要想清楚否则方向错了代码再顺也是白搭。我是怎么处理的先跟同事确认口径确认完之后把口径写进脚本的注释里然后构造一组包含边界情况的测试数据比如正好到期日之前、正好到期日当天、正好逾期30天、逾期31天手动算出预期结果再跑脚本对比。只有边界数据全对上了我才敢拿去跑全量数据。注意做数据分析类项目代码跑得动不等于结果是对的。一定要做预期结果比对拿一小部分数据手工算跟代码输出比对一致后再全量跑。这一步是你独立做账龄分析的信用基石。5. 这套方法怎么复用到其他场景5.1 换数据不换逻辑账龄分析做完之后我发现这套流程的可复用性比想象中高得多。核心逻辑就四步读数据、算关键指标、按规则分组归类、汇总输出。这套框架可以套到很多日常分析场景里。举几个我已经验证过的例子。库存账龄分析把到期日换成入库日期把未收金额换成库存金额逻辑几乎原封不动。客户回款周期分析把逾期天数改成回款间隔天数分区间统计平均回款周期。费用报销分析把日期换成报销日期金额不变统计不同部门的费用分布。本质上都是同一套骨架换数据源和字段名就能用。我特别庆幸当时没有让AI一次性生成一个万能程序而是按步骤一点点拆开学。因为只有拆开了我才知道每一段代码是干什么的换场景时才知道要改哪里。如果你只想让AI全包拿到一个跑得通的黑盒那换个数据源你可能又不会了。5.2 AI辅助学习的进阶建议14天结束之后我对AI编程助手的定位有了新的认识。它不是一个替你逃避思考的工具而是一个能放大你思考效率的辅助。我后来在别的项目里也用了同样的方法总结出三条经验。第一条永远让AI解释代码而不是只让它写代码。每次拿到AI生成的代码至少要让AI讲清楚核心几行的作用然后用你自己的话复述一遍。第二条遇到报错先把报错信息完整喂给AI配合上下文描述修改建议会更靠谱。第三条定期让AI出测试场景考自己比如请给我三个账龄分析的边界测试用例让我验证我的脚本。这个习惯能帮你把习惯性依赖慢慢变成真正的能力。如果你问我现在能不能从零写出一个完整脚本老实说还是有点吃力。但我知道该让AI帮我干什么、怎么描述需求、怎么检查它给的结果对不对、遇到bug怎么用报错信息喂回去这种编程指挥能力在AI时代可能比手写代码能力更值钱。最后分享一个小技巧是我在实战第5天摸索出来的跟AI提需求时一定要先描述你的原始数据结构再描述你想要的结果中间限定清楚规则。比如我有一个Excel列名是客户名称、到期日、未收金额到期日格式是2024-03-01。我想按今天为截止日把每笔欠款分成未到期、1-30天、31-60天、61-90天、91-180天、180天以上六类分别求和。请给我pandas代码。这样一段话比帮我做个账龄分析谢谢得到的回答质量高出一个量级。这也是我这14天里收获最大的一课。
零基础14天用AI辅助完成Python账龄分析脚本实战
说真的14天前我连print(hello)都要现查语法电脑上唯一跟编程沾边的经历是大学时用Excel录过几个宏。但这个月我硬是靠着AI辅助从零开始独立写完了一个能用的账龄分析脚本把财务同事手工对了一下午的应收账款明细用Python十几秒跑出了完整的分区间汇总和图表。这篇文章就是我的完整实战记录不吹不黑把我怎么一步步从只会让AI改代码到自己知道该让AI改什么的全过程写出来。如果你是编程零基础、但工作里经常要处理表格数据的读者这篇应该能给你一条可以照抄的路线。先交代一下背景免得你觉得我是标题党。我的本职工作和写代码没有半点关系日常大量时间在跟应收账款、合同、回款周期这类数据打交道。以前做账龄分析基本操作是把Excel里的明细导出来按日期区间筛选、分类、透视、画表一两个月的量还好全年数据一多每次都要花大半天而且容易漏区间、算错边界。这次我给自己定了一个14天的目标不报班、不看冗长教程全程用AI当教练做一个能自动完成账龄分析的Python脚本。现在回看这个项目选择对了路径也踩出了几条很实用的经验下面展开讲。1. 为什么第一个实战项目选账龄分析1.1 账龄分析到底在分析什么账龄分析是应收账款管理里的一个基础动作通俗说就是把每一笔还没收回来的款项按已经逾期多少天分到不同的桶里。比如0到30天一个桶31到60天一个桶61到90天一个桶90天以上一个桶。每个桶里的金额加起来就能看出整体回款风险集中在哪个区间逾期越久坏账概率越高。这个业务逻辑非常固定不依赖什么高深的财务知识也不需要机器学习模型。正因为逻辑足够清晰它特别适合当作第一个编程实战项目——你不需要同时学业务和代码业务你本来就懂只需要把注意力全部放在怎么用代码表达这个逻辑上。1.2 为什么它适合编程零基础起步我选这个项目的时候其实对比过另外几个方向比如做销售数据看板、爬网页信息、写自动化报表最后敲定账龄分析理由有三个。第一数据形态简单。涉及的核心字段总共就三样客户名称、到期日、金额。这三列数据在Excel里随处可见不涉及复杂的表关联拿过来就能练。第二结果可以手动验证。账龄分析做没做对你是能自己核对的——拿Excel手工筛一遍跟脚本跑出来的数字对一下一不一致立刻知道。这对零基础的人极其重要因为编程最大的恐惧就是我写的代码到底对不对有一个明确的验证标准心理压力小很多。第三成长路径是线性的。从读取Excel到处理日期到按条件分桶再到汇总和画图每一步都是前面一步的自然延伸不需要跳跃式地同时学一堆东西。1.3 14天学习路径的整体设计14天我大致是这么拆的前3天把Python环境和基础语法跑通中间4天专攻pandas这个数据处理库再用3天实现账龄分析的完整脚本最后4天做可视化、整理代码结构和写说明文档。这个方法不是我自己拍脑袋定的而是跟AI反复讨论后敲下来的方案。当时我对AI提的需求是我完全不会编程想在两周内用Python做一个账龄分析脚本请帮我排一个每天两小时的学习计划并且告诉我每一步应该怎么验证自己学会了。AI给出的计划跟这个差不多核心思路是小步快跑、每步可见。我当时还担心14天太紧后来发现只要不走弯路这个时间其实够用关键是要把精力全放在数据处理和逻辑实现上而不是去啃什么面向对象、多线程这些暂时用不上的概念。2. 从不会改代码到看懂AI生成的代码2.1 第1到3天把Python环境跑起来零基础学编程第一道坎往往是环境安装。我当时问了AI一个问题Python怎么装用什么写代码方便AI推荐的是直接去Python官网下载安装包配一个Visual Studio Code当编辑器再装上Python扩展插件。我照着做大概花了40分钟搞定。这里有个细节我想提醒新手安装的时候记得勾选Add Python to PATH这个选项否则后面在命令行里敲python会提示找不到命令。这个坑我第一天就踩了当时还以为是装坏了后来问AI才知道是环境变量的问题。装完之后不要急着写代码先在命令行敲两个验证命令python --version能输出版本号就说明装好了。然后在VS Code里建一个test.py文件写一行最简单的代码print(Hello)按F5或者点运行按钮如果控制台输出了Hello说明你的环境已经通了。这小小的一步对新手来说意义重大因为跑通代码这个动作一旦完成后面的所有学习都有了落脚点。第3天我开始让AI扮演老师的角色不是让它直接给我写账龄分析的完整代码而是让它教我三个最核心的基础概念变量、列表、函数。当时我用的对话方式很笨但很有效提示跟AI学编程最好的提问方式不是给我代码而是请用大白话讲清楚这个概念并给我三个从简单到难的练习题。让AI出题、你做题、再把答案给AI批改这比看10篇教程都管用。2.2 让AI当老师而不是当打字员很多人的误区是一上来就甩给AI一句话帮我写一个账龄分析程序。AI确实能写出来但那对学习没有任何帮助因为你看不懂每一行在干什么出了bug也不知道怎么改最后依然是个复读机使用者。我的策略不一样。第4天我开始正式用AI做账龄分析时第一句话是这样说的我正在学习用pandas处理Excel表格现在我要读取一个叫做应收账款.xlsx的文件里面有三列客户名称、到期日、金额。请给我一段最基础的读取代码并且对每一行加注释注释要写得像我完全不懂编程也能看懂。AI给了我大概15行代码每一行旁边都标了用途。我当时的做法是先在测试数据上跑一遍然后强迫自己不看注释把这15行代码打一遍。打错没关系运行报错也没关系报错信息就是最好的学习线索。我会把报错信息原样复制给AI让它解释哪里错了、为什么错、怎么改。前几次对话下来的感觉是AI就像一个24小时在线的耐心导师我提问的质量越高它教得越好。它会主动点拨一些我想不到的知识点比如日期格式转换的坑、中文字符编码的坑这些恰恰是实战里最容易卡住新手的点。2.3 看懂代码的最小知识包如果你想做类似的数据处理项目不需要学完整个Python只需要掌握下面这几个概念基本上就能看懂AI生成的大部分代码变量赋值就是把数据存进一个名字里比如df pd.read_excel(...)df就是装着表格数据的变量。pandas提供的数据结构叫DataFrame你可以粗略把它想象成一张内存里的Excel表有行有列支持各种筛选和计算。函数调用是编程里最常见的动作格式是函数名(参数)比如print(df.head())就是把表格的前几行打印出来。方法调用稍微有点绕格式是数据.方法名()比如df[金额].sum()就是取金额那一列并求和。分组和条件是数据处理的核心比如df.groupby(账龄区间)[金额].sum()的意思是按账龄区间分组对金额求和。还有个重要操作是定义一个自定义函数用def开头比如账龄区间划分逻辑就适合写成一个函数。循环和列表推导式偶尔会用到比如对每一行应用某个判断句。但说实话在pandas里很多循环操作都有更简洁的替代写法新手完全不需要死磕循环。我花了大概两天时间把这些概念通过AI的出题练习搞明白之后就进入了一个状态AI生成的代码我看得懂七成剩下的三成看不懂的地方就直接让AI翻译给我听。这个过程比想象中顺利因为没有一次需要直面从头写一段几十行代码这种高压场景。3. 账龄分析脚本的核心实现过程3.1 第一步读取和清洗数据我的原始数据长这样一个Excel表名字叫应收账款明细.xlsx里面有三列分别是客户名称、到期日、未收金额。第一步就是让AI生成一段读取代码然后我再根据实际情况微调。import pandas as pd # 读取Excel文件 df pd.read_excel(应收账款明细.xlsx) # 查看前几行确认数据读进来了 print(df.head()) # 查看列名和数据类型 print(df.columns) print(df.dtypes)这个阶段最常遇到的问题是日期列被读成了字符串或者时间格式不统一。Excel里的日期千奇百怪有的带时分秒有的是文本格式还有的直接是数字串。这时候就需要用pd.to_datetime()统一转换df[到期日] pd.to_datetime(df[到期日])我当时跑完这行代码后特意打印了df[到期日].dtypes看到显示datetime64[ns]才放心。这一步很关键因为后面所有账龄天数的计算都依赖正确的日期类型。3.2 第二步计算账龄并划分区间截止日期我用的是当天日期因为实际工作中最关心的是到今天为止还有多少没收回来。计算逻辑很简单用截止日减去到期日得到的天数就是账龄。from datetime import datetime # 当前日期作为统计截止日 today pd.Timestamp(datetime.today().date()) df[账龄天数] (today - df[到期日]).dt.days负数的账龄天数说明还没到期正数则是逾期天数。接下来是账龄分析最核心的区间划分。我当时和AI反复确认过口径最终用了这样一个自定义函数def 判断账龄区间(day): if day 0: return 未到期 elif day 30: return 1-30天 elif day 60: return 31-60天 elif day 90: return 61-90天 elif day 180: return 91-180天 else: return 180天以上 df[账龄区间] df[账龄天数].apply(判断账龄区间)这里有个新手容易懵的点为什么31-60天这个区间判断写的是day 60而不是30 day 60因为elif本身就是在前面条件不满足时才执行的所以走到elif day 60这一行时day必然已经大于30了不需要再重复写。区间怎么划分不是固定的完全取决于业务需要。有的公司习惯按0-30、30-60、60-90、90-120分有的会加一个180天以上的重点预警区间。我的建议是先跟业务确认口径再落到代码里别自己想当然。代码可以随意写口径定错了返工的是业务。3.3 第三步汇总透视与输出结果账龄区间算出来之后剩下的就是汇总和透视。我当时需要两个结果一个是每个区间的总金额另一个是每个区间里按客户再细分的情况。对应代码是# 按账龄区间汇总金额 汇总表 df.groupby(账龄区间)[未收金额].sum().reset_index() # 按账龄区间 客户名称汇总 明细透视表 df.pivot_table( index账龄区间, columns客户名称, values未收金额, aggfuncsum, fill_value0 )groupby是pandas里特别高频的操作字面意思就是按某某列分组分组之后可以求和、计数、求平均。pivot_table则是更灵活的透视表功能可以把区间变成行、客户变成列形成一张矩阵表。输出结果的时候有个大坑差点坑了我直接df.to_excel(结果.xlsx)会在Excel里显示乱码。后来按AI的提示改成这样就没问题了汇总表.to_excel(账龄汇总.xlsx, indexFalse, encodingutf-8-sig) # 明细透视表按客户分行展示先转置 明细透视表.T.to_excel(账龄明细透视.xlsx, encodingutf-8-sig)顺便提一句encodingutf-8-sig这个参数对Excel写中文特别重要。utf-8本身不会报错但Excel打开时容易显示乱码加个-sig等于在文件开头写了一个BOM标志Excel就能正确识别编码了。3.4 第四步可视化图表光有表格还不过瘾领导们最爱看的是图。我让AI帮我生成一个各账龄区间的金额分布柱状图和一个占比饼图。最初的版本是这样的import matplotlib.pyplot as plt # 让图表显示中文 plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False # 按金额从大到小排序柱状图好看一点 汇总表 汇总表.sort_values(未收金额, ascendingFalse) plt.figure(figsize(10, 6)) plt.bar(汇总表[账龄区间], 汇总表[未收金额], color#4C72B0) plt.title(应收账款账龄金额分布) plt.xlabel(账龄区间) plt.ylabel(金额) plt.show()中文显示这个坑我提一下matplotlib默认字体不支持中文不加plt.rcParams[font.sans-serif] [SimHei]这一行图上的中文全都会变成方框。如果你的电脑没有SimHei字体可以用Microsoft YaHei替代。柱状图做完后我又加了一个饼图看占比代码逻辑和柱状图类似用plt.pie()。坦白说到这一步我已经有点成就感了一个能自动读取Excel、算账龄、分区间、汇总、画图的脚本就这样在AI的帮助下一点点拼出来了。4. 实战中踩过的坑与排查经验4.1 AI生成代码跑不通的通用解法这是整个14天里我花时间最多的地方。AI生成代码不是一次就能跑通的第一次运行几乎必报错。但好消息是报错信息恰恰是解决问题的最佳入口。我的标准做法分三步。第一步把报错信息完整复制下来看清楚是哪个文件哪一行出了问题。第二步把报错信息原样发给AI不加任何评价就问这个错误是什么意思怎么解决。第三步根据AI的修改建议改代码改完再跑如果还有新报错就重复这个过程。印象最深的一个错误是KeyError: 到期日意思是在数据里找不到到期日这一列。排查后发现是Excel里表头有个看不见的空格列名实际叫到期日 。AI让我用df.columns打印一下所有列名果然看到列名带着空格。解决方案是加一行代码做列名清洗df.columns df.columns.str.strip()这个坑很常见尤其是从业务系统导出的表格表头经常带着空格、换行符之类的隐形字符。用str.strip()统一去掉首尾空格能省掉后面一大堆麻烦。4.2 日期和中文编码的细节坑日期处理是我踩坑的重灾区。第一次算账龄天数时我直接减两个字符串结果报了一个TypeError这才知道字符串不能直接做减法必须先转成日期类型。后来我又遇到一个更隐蔽的问题某几行的日期是2024/3/1这种格式另外几行却是2024-03-01pd.to_datetime()默认能处理这个差异但如果你的数据里混着类似20240301这种纯数字日期就得指定format参数告诉它怎么解析。中文编码的坑前面说过一次这里再补充一个Excel打开CSV乱码的解法。如果你用df.to_csv(结果.csv, encodingutf-8-sig)导出后用Excel打开就能正常显示中文了。如果你忘了加-sigCSV用记事本打开看着正常用Excel打开就是乱码第一次遇到时非常容易懵。还有一个小细节是关于路径的。如果你的Excel文件和Python脚本不在同一个文件夹读取文件时就要写绝对路径或者用os.path.join拼路径。我开始图省事只写了文件名结果每次运行都报找不到文件后来老老实实把脚本和Excel放在同一个目录下问题就解决了。对新手来说把相关文件都放在同一个文件夹里是最稳妥的做法。4.3 业务口径对齐的重要性编程层面都跑通之后还有一个更大的坑在等着我业务口径。我把脚本跑出来的结果发给财务同事核对人家问我你这个30天是按自然日算的还是按工作日算的自然日的话遇到节假日怎么办你们统计截止日是今天还是上个月底这些问题在写代码之前就要想清楚否则方向错了代码再顺也是白搭。我是怎么处理的先跟同事确认口径确认完之后把口径写进脚本的注释里然后构造一组包含边界情况的测试数据比如正好到期日之前、正好到期日当天、正好逾期30天、逾期31天手动算出预期结果再跑脚本对比。只有边界数据全对上了我才敢拿去跑全量数据。注意做数据分析类项目代码跑得动不等于结果是对的。一定要做预期结果比对拿一小部分数据手工算跟代码输出比对一致后再全量跑。这一步是你独立做账龄分析的信用基石。5. 这套方法怎么复用到其他场景5.1 换数据不换逻辑账龄分析做完之后我发现这套流程的可复用性比想象中高得多。核心逻辑就四步读数据、算关键指标、按规则分组归类、汇总输出。这套框架可以套到很多日常分析场景里。举几个我已经验证过的例子。库存账龄分析把到期日换成入库日期把未收金额换成库存金额逻辑几乎原封不动。客户回款周期分析把逾期天数改成回款间隔天数分区间统计平均回款周期。费用报销分析把日期换成报销日期金额不变统计不同部门的费用分布。本质上都是同一套骨架换数据源和字段名就能用。我特别庆幸当时没有让AI一次性生成一个万能程序而是按步骤一点点拆开学。因为只有拆开了我才知道每一段代码是干什么的换场景时才知道要改哪里。如果你只想让AI全包拿到一个跑得通的黑盒那换个数据源你可能又不会了。5.2 AI辅助学习的进阶建议14天结束之后我对AI编程助手的定位有了新的认识。它不是一个替你逃避思考的工具而是一个能放大你思考效率的辅助。我后来在别的项目里也用了同样的方法总结出三条经验。第一条永远让AI解释代码而不是只让它写代码。每次拿到AI生成的代码至少要让AI讲清楚核心几行的作用然后用你自己的话复述一遍。第二条遇到报错先把报错信息完整喂给AI配合上下文描述修改建议会更靠谱。第三条定期让AI出测试场景考自己比如请给我三个账龄分析的边界测试用例让我验证我的脚本。这个习惯能帮你把习惯性依赖慢慢变成真正的能力。如果你问我现在能不能从零写出一个完整脚本老实说还是有点吃力。但我知道该让AI帮我干什么、怎么描述需求、怎么检查它给的结果对不对、遇到bug怎么用报错信息喂回去这种编程指挥能力在AI时代可能比手写代码能力更值钱。最后分享一个小技巧是我在实战第5天摸索出来的跟AI提需求时一定要先描述你的原始数据结构再描述你想要的结果中间限定清楚规则。比如我有一个Excel列名是客户名称、到期日、未收金额到期日格式是2024-03-01。我想按今天为截止日把每笔欠款分成未到期、1-30天、31-60天、61-90天、91-180天、180天以上六类分别求和。请给我pandas代码。这样一段话比帮我做个账龄分析谢谢得到的回答质量高出一个量级。这也是我这14天里收获最大的一课。
