AI 辅助数据清洗与报表口径对齐：从原始导出到可复用校验脚本

导读：报表对不上，往往不是算错了，而是口径没对齐。本文用一个可复用的思路，把 AI 辅助数据清洗和报表口径对齐串起来：先把原始导出变成可校验的数据，再用脚本把口径固定下来，而不是每次靠人工对数。

一、先说清楚口径，再动手清洗

口径对齐的第一步是写一张口径表，而不是直接打开表格改数字。口径表至少要写清四件事：统计周期是按自然日还是业务日、金额是含税还是不含税、用户去重按什么键、空值和退款算不算在内。把这张表交给 AI 时，要让它先复述口径，而不是直接出代码；复述不一致的地方，就是最容易出错的地方。

二、原始导出的常见脏数据与处理步骤

第一步，统一格式。日期混用文本与时间戳、金额混用元与分、编码前后带空格，这些问题要先做标准化，而不是在聚合时顺带处理。第二步，处理缺失与重复。主键重复先保留来源可追溯的一条，缺失值要区分确实为空和采集失败，二者不能用同一个默认值填充。第三步，做业务规则校验。例如退款单必须有原单、状态为已关闭的订单不应计入在途金额、同一用户同一天不应出现两条互相矛盾的身份记录。

三、让 AI 生成校验脚本，而不是只生成清洗代码

一个可复用的校验脚本应该包含三类检查。第一是结构检查：字段是否存在、类型是否正确、主键是否唯一。第二是口径检查：按口径表重新计算关键指标，并与报表结果逐项比对，差异超过阈值就报错。第三是趋势检查：与上一周期对比，突变超过合理区间时输出可疑明细，而不是直接判定为错误。

示例：口径校验脚本骨架

以下是一个 Python 风格的校验骨架，重点不是一次性写全，而是把口径变成可执行的断言。

import pandas as pd

df = pd.read_csv('orders_raw.csv')

df['order_date'] = pd.to_datetime(df['order_date'], errors='coerce')

df = df.drop_duplicates(subset=['order_id'], keep='first')

valid = df[(df['status'] == 'paid') & (df['refund_flag'] == 0)]

report_amount = valid['amount_yuan'].sum()

assert valid['order_id'].is_unique, '订单主键重复'

assert valid['amount_yuan'].notna().all(), '金额存在空值'

print('口径内有效订单金额：', report_amount)

四、从一次对齐到每次可复用

把口径表、清洗规则和校验脚本放在同一个仓库里，报表每改一次口径就改一次脚本并记录变更原因。发布前跑三遍：跑原始导出、跑清洗后数据、跑报表结果，三处口径一致才算完成。这样做的好处是，下一次导出格式变化或口径调整时，不需要重新人工对数，只需要更新口径表和对应的断言。

小结：数据清洗的价值不在于把表格变干净，而在于让口径可复现、可校验、可追溯。先定口径，再清洗，最后用脚本把口径锁住，报表对齐就从一次性劳动变成了可重复的工作流。