通义千问3-4B在自动化办公中的应用：自动写Python脚本处理Excel和CSV

1. 引言

1.1 办公自动化需求

在日常办公场景中，数据处理是最常见的重复性工作之一。无论是市场部门的销售报表分析，财务部门的收支统计，还是人力资源部门的考勤记录处理，都需要频繁操作Excel和CSV文件。传统的手动处理方式不仅效率低下，而且容易出错。

以某电商公司为例，运营团队每天需要：

• 合并多个平台的销售数据CSV文件
• 计算各品类销售额占比
• 生成可视化图表
• 将结果导出为Excel报告

这些工作如果完全手动操作，至少需要2-3小时，且容易因人为失误导致数据错误。

1.2 解决方案概述

通义千问3-4B-Instruct-2507（Qwen3-4B-Instruct-2507）作为一款轻量级但功能强大的AI模型，可以理解自然语言指令并生成相应的Python脚本，实现办公自动化。其核心优势包括：

• 本地部署：4GB量化模型可在普通办公电脑运行，保障数据安全
• 长文本支持：能处理复杂的多步骤数据处理需求
• 代码质量高：生成的Python脚本可直接运行，减少调试时间

2. 环境准备与模型部署

2.1 基础环境配置

在开始前，请确保系统已安装以下组件：

# 安装Python基础环境（推荐3.9+版本）
python -m pip install --upgrade pip

# 安装常用数据处理库
pip install pandas openpyxl xlrd

2.2 模型本地部署

使用Ollama框架一键部署通义千问3-4B：

# 安装Ollama（Windows系统需使用PowerShell）
curl -fsSL https://ollama.com/install.sh | sh

# 下载模型
ollama pull qwen3-4b-instruct-2507

# 启动服务（默认端口11434）
ollama run qwen3-4b-instruct-2507

3. 典型办公场景实践

3.1 场景一：多Excel文件合并

需求描述：将"销售数据"文件夹下所有Excel文件合并为一个文件，保留表头，添加"来源文件"列。

生成代码示例：

import os
import pandas as pd
from pathlib import Path

def merge_excel_files(input_folder: str, output_file: str):
    """
    合并目录下所有Excel文件
    
    参数:
        input_folder: 输入文件夹路径
        output_file: 输出文件路径
    """
    all_data = []
    
    for excel_file in Path(input_folder).glob("*.xlsx"):
        if excel_file.name.startswith("~$"):  # 跳过临时文件
            continue
            
        try:
            df = pd.read_excel(excel_file)
            df["来源文件"] = excel_file.name  # 添加来源列
            all_data.append(df)
            print(f"已加载: {excel_file.name}")
        except Exception as e:
            print(f"加载失败 {excel_file.name}: {str(e)}")
    
    if all_data:
        merged_df = pd.concat(all_data, ignore_index=True)
        merged_df.to_excel(output_file, index=False)
        print(f"合并完成，保存至: {output_file}")
    else:
        print("未找到可合并的Excel文件")

# 使用示例
if __name__ == "__main__":
    merge_excel_files("./销售数据", "./合并结果.xlsx")

3.2 场景二：CSV数据清洗与转换

需求描述：读取"订单数据.csv"，清洗手机号格式（保留11位数字），计算各省份订单金额总和，导出为Excel。

生成代码示例：

import pandas as pd
import re

def clean_and_analyze_orders(input_csv: str, output_excel: str):
    """
    CSV数据清洗与分析
    
    参数:
        input_csv: 输入CSV文件路径
        output_excel: 输出Excel文件路径
    """
    try:
        df = pd.read_csv(input_csv)
        
        # 清洗手机号
        df["手机号"] = df["手机号"].apply(
            lambda x: re.sub(r"\D", "", str(x))[-11:] if pd.notna(x) else ""
        )
        
        # 分析各省份订单
        province_stats = df.groupby("省份")["订单金额"].agg(["sum", "count"])
        province_stats.columns = ["总金额", "订单数"]
        
        # 保存结果
        with pd.ExcelWriter(output_excel) as writer:
            df.to_excel(writer, sheet_name="原始数据", index=False)
            province_stats.to_excel(writer, sheet_name="省份统计")
            
        print(f"处理完成，结果保存至: {output_excel}")
    except Exception as e:
        print(f"处理失败: {str(e)}")

# 使用示例
if __name__ == "__main__":
    clean_and_analyze_orders("订单数据.csv", "订单分析.xlsx")

3.3 场景三：自动化报表生成

需求描述：读取"月度销售.csv"，按产品类别分组统计，生成带格式的Excel报表，包含柱状图。

生成代码示例：

import pandas as pd
from openpyxl import Workbook
from openpyxl.chart import BarChart, Reference
from openpyxl.styles import Font, Alignment

def generate_sales_report(input_csv: str, output_excel: str):
    """
    生成带格式的销售报表
    
    参数:
        input_csv: 输入CSV文件路径
        output_excel: 输出Excel文件路径
    """
    try:
        # 读取并处理数据
        df = pd.read_csv(input_csv)
        df["销售日期"] = pd.to_datetime(df["销售日期"])
        df["月份"] = df["销售日期"].dt.strftime("%Y-%m")
        
        # 按类别和月份统计
        report_df = df.groupby(["产品类别", "月份"])["销售额"].sum().unstack()
        
        # 创建Excel工作簿
        wb = Workbook()
        ws = wb.active
        ws.title = "销售汇总"
        
        # 写入数据
        for r_idx, row in enumerate(report_df.itertuples(), 2):
            ws.cell(row=r_idx, column=1, value=row[0])
            for c_idx, value in enumerate(row[1:], 2):
                ws.cell(row=r_idx, column=c_idx, value=value)
        
        # 添加表头
        headers = ["产品类别"] + list(report_df.columns)
        for c_idx, header in enumerate(headers, 1):
            cell = ws.cell(row=1, column=c_idx, value=header)
            cell.font = Font(bold=True)
            cell.alignment = Alignment(horizontal="center")
        
        # 创建图表
        chart = BarChart()
        chart.type = "col"
        chart.title = "月度销售额对比"
        chart.y_axis.title = "销售额"
        chart.x_axis.title = "产品类别"
        
        data = Reference(ws, min_col=2, max_col=len(headers),
                        min_row=1, max_row=len(report_df)+1)
        cats = Reference(ws, min_col=1, min_row=2, max_row=len(report_df)+1)
        
        chart.add_data(data, titles_from_data=True)
        chart.set_categories(cats)
        ws.add_chart(chart, "A10")
        
        # 保存文件
        wb.save(output_excel)
        print(f"报表生成成功: {output_excel}")
    except Exception as e:
        print(f"报表生成失败: {str(e)}")

# 使用示例
if __name__ == "__main__":
    generate_sales_report("月度销售.csv", "销售报表.xlsx")

4. 进阶技巧与优化

4.1 提高代码生成质量

通过优化提示词(prompt)可以获得更符合需求的代码：

prompt_template = """
你是一个专业的Python办公自动化助手，请根据以下需求生成完整代码：

需求描述：
{task_description}

具体要求：
1. 使用pandas处理Excel/CSV文件
2. 包含完善的错误处理
3. 添加必要的注释说明
4. 输出格式化的Excel文件
5. 函数要有明确的参数和返回值类型注解

请直接输出完整可运行的Python代码，不要包含解释性文字。
"""

task = "读取input.csv文件，筛选出金额大于1000的记录，按日期排序后保存到output.xlsx"
generated_code = generate_code(prompt_template.format(task_description=task))

4.2 常见问题解决

问题1：生成的代码缺少某些功能模块

解决方案：在prompt中明确列出所有需求点，使用编号或分点说明

问题2：代码风格不符合团队规范

解决方案：在prompt中添加风格要求，例如：

代码风格要求：
- 使用snake_case命名
- 函数必须有docstring
- 类型注解使用Python 3.9+语法
- 每行不超过88字符

问题3：处理大型文件时内存不足

解决方案：提示模型使用分块处理：

请使用pandas的chunksize参数分批读取大型CSV文件

5. 总结

5.1 应用价值总结

通过本文案例可以看到，通义千问3-4B在办公自动化场景中展现出显著价值：

1. 效率提升：将数小时的手工操作缩短为几分钟的脚本执行
2. 错误减少：自动化处理避免人工操作中的失误
3. 能力扩展：即使非技术人员也能通过自然语言描述实现复杂数据处理
4. 成本节约：本地部署无需购买昂贵的企业级自动化软件

5.2 后续学习建议

要进一步掌握办公自动化技巧，建议：

1. 系统学习pandas库的数据处理功能
2. 了解openpyxl等库的Excel高级操作
3. 收集整理常用办公场景的prompt模板
4. 尝试将生成的脚本封装为可视化工具

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。