Backend Data Processor - 车险数据处理后端实现指南

版本: v1.0 最后更新: 2025-11-08 适用场景: Excel 数据处理、数据清洗、文件合并、数据验证

---

📌 Skill 概述

本 Skill 提供车险签单数据处理后端的完整实现指南,作为 analyzing-auto-insurance-data Skill 的后端补充。涵盖数据流转、核心处理逻辑、业务规则实现、性能优化和错误处理。

核心价值:

• ✅ 数据流转架构: Excel → CSV → 合并 → 存储全流程
• ✅ 核心处理函数: 4个关键方法详解(文件处理/清洗/合并/批量扫描)
• ✅ 业务规则实现: 负保费/零手续费/日期标准化/缺失值填充
• ✅ 性能优化技巧: Pandas 最佳实践、内存管理、大文件处理
• ✅ 错误处理与日志: 异常捕获机制、日志标准、用户友好提示

关键文件位置:

• backend/data_processor.py - 数据处理核心
• backend/api_server.py - Flask API 服务

---

📊 一、数据流转架构

1.1 整体流程图

┌─────────────────────────────────────────────────────────────────┐
│                       Excel 文件上传到 data/ 目录                 │
└────────────────────────────┬────────────────────────────────────┘
                             │
                             ▼
┌─────────────────────────────────────────────────────────────────┐
│  scan_and_process_new_files()                                   │
│  - 扫描 data/*.xlsx, data/*.xls                                  │
│  - 批量处理所有新文件                                              │
└────────────────────────────┬────────────────────────────────────┘
                             │
                             ▼
         ┌───────────────────────────────────────┐
         │  process_new_excel(excel_path)        │
         │  - 读取 Excel 文件 (pd.read_excel)     │
         │  - 返回原始 DataFrame                  │
         └───────────────┬───────────────────────┘
                         │
                         ▼
         ┌───────────────────────────────────────┐
         │  _clean_data(df)                      │
         │  - 删除空行                            │
         │  - 日期格式标准化                       │
         │  - 数值类型转换                         │
         │  - 缺失值填充为空字符串                  │
         └───────────────┬───────────────────────┘
                         │
                         ▼
         ┌───────────────────────────────────────┐
         │  merge_with_existing(new_df)          │
         │  - 读取现有 CSV (如存在)                │
         │  - pd.concat() 合并新旧数据             │
         │  - 根据保单号+投保确认时间去重           │
         └───────────────┬───────────────────────┘
                         │
                         ▼
         ┌───────────────────────────────────────┐
         │  save_merged_data(df)                 │
         │  - 保存为 车险清单_2025年10-11月_合并.csv │
         │  - 编码: utf-8-sig (支持Excel打开)     │
         └───────────────┬───────────────────────┘
                         │
                         ▼
         ┌───────────────────────────────────────┐
         │  移动到 data/processed/ 目录            │
         │  - 重命名: 原文件名_processed_时间戳.xlsx │
         │  - 避免重复处理                         │
         └───────────────────────────────────────┘

1.2 文件命名与版本管理

输入文件命名规范:

• 格式: data/*.xlsx 或 data/*.xls
• 示例: 车险清单_2025年10月.xlsx

处理后文件命名:

• 格式: data/processed/{原文件名}_processed_{YYYYMMDD_HHMMSS}.xlsx
• 示例: data/processed/车险清单_2025年10月_processed_20251108_143025.xlsx

合并文件命名:

• 固定文件名: 车险清单_2025年10-11月_合并.csv
• 位置: 项目根目录
• 编码: utf-8-sig (带 BOM,Excel 可直接打开)

1.3 增量更新策略

去重逻辑 (data_processor.py:172-177):

# 根据保单号和投保确认时间去重,保留最新记录
merged_df = merged_df.drop_duplicates(
    subset=['保单号', '投保确认时间'],
    keep='last'
)

为什么选择这两个字段:

• 保单号: 业务唯一标识
• 投保确认时间: 同一保单可能有批改记录,需要保留时间维度

keep='last' 的原因:

• 批改操作会更新保单信息,最新记录更准确
• 合并时新数据在后,keep='last' 优先保留新数据

---

🔧 二、核心处理函数详解

2.1 process_new_excel(excel_path) - Excel 文件处理

位置: data_processor.py:107-127

功能: 读取 Excel 文件并返回清洗后的 DataFrame

实现细节:

def process_new_excel(self, excel_path):
    print(f"正在处理Excel文件: {excel_path}")

    # 读取 Excel 文件
    df = pd.read_excel(excel_path)

    print(f"  读取成功: {len(df)} 行, {len(df.columns)} 列")

    # 数据清洗
    df = self._clean_data(df)

    return df

注意事项:

• ❌ 不要使用 pd.read_excel(excel_path, dtype=str) - 会导致数值计算失败
• ✅ 推荐: 让 Pandas 自动推断类型,后续在 _clean_data() 中转换
• ✅ 异常处理: 调用方 scan_and_process_new_files() 已处理异常

常见问题:

1. Excel 文件损坏: 会抛出 xlrd.biffh.XLRDError
2. 文件被占用: Windows 下可能抛出 PermissionError
3. 内存不足: 大文件(>100MB)可能触发 MemoryError

---

2.2 _clean_data(df) - 数据清洗

位置: data_processor.py:129-153

功能: 标准化数据格式,确保符合 CSV 规范

清洗步骤:

步骤 1: 删除完全为空的行

df = df.dropna(how='all')

• 移除 Excel 中的空白行
• 避免后续计算时出现 NaN 值污染

步骤 2: 日期格式标准化

date_columns = ['刷新时间', '投保确认时间', '保险起期']
for col in date_columns:
    if col in df.columns:
        df[col] = pd.to_datetime(df[col], errors='coerce')

• errors='coerce': 无法解析的日期转为 NaT (Not a Time)
• 支持多种日期格式: 2025-11-08, 2025/11/08, 20251108 等

常见日期问题:

• Excel 日期序列号: 44500 → 自动转换为 2021-10-15
• 文本日期: "2025年11月8日" → errors='coerce' 会转为 NaT
• 空值: 保留为 NaT,后续填充为空字符串

步骤 3: 数值类型转换

numeric_columns = ['签单/批改保费', '签单数量', '手续费', '手续费含税', '增值税']
for col in numeric_columns:
    if col in df.columns:
        df[col] = pd.to_numeric(df[col], errors='coerce')

• errors='coerce': 无法解析的数值转为 NaN
• 自动处理: "1,234.56" → 1234.56 (移除千分位逗号)

常见数值问题:

• 负保费: -5000.00 (退保/批改) → 保留负数,不做修改
• 零手续费: 0.00 → 合法值,不做修改
• 文本数值: "五万" → 转为 NaN

步骤 4: 缺失值填充

df = df.fillna('')

• 将所有 NaN / NaT 填充为空字符串 ''
• 避免 JSON 序列化时出现 null 值
• 前端可统一判断 value === '' 来识别缺失

⚠️ 重要: 日期列在此步骤会被转为空字符串,需要在后续查询时重新转换:

df['投保确认时间'] = pd.to_datetime(df['投保确认时间'], errors='coerce')

---

2.3 merge_with_existing(new_df) - 数据合并

位置: data_processor.py:155-184

功能: 将新数据与现有 CSV 合并,去重并统计

实现细节:

def merge_with_existing(self, new_df):
    if self.merged_csv.exists():
        print(f"读取现有数据: {self.merged_csv}")
        existing_df = pd.read_csv(self.merged_csv, encoding='utf-8-sig')

        # 合并数据
        merged_df = pd.concat([existing_df, new_df], ignore_index=True)

        # 去重 - 根据保单号和投保确认时间
        if '保单号' in merged_df.columns and '投保确认时间' in merged_df.columns:
            merged_df = merged_df.drop_duplicates(
                subset=['保单号', '投保确认时间'],
                keep='last'
            )

        print(f"  合并完成: {len(existing_df)} + {len(new_df)} = {len(merged_df)} 行")
    else:
        print(f"  未找到现有数据,创建新文件")
        merged_df = new_df

    return merged_df

关键参数解析:

• encoding='utf-8-sig': 读取带 BOM 的 UTF-8 文件
• ignore_index=True: 重新生成 0-N 的连续索引
• keep='last': 保留重复记录中的最后一条

性能优化建议:

# ❌ 不推荐: 逐行追加(O(n²) 复杂度)
for _, row in new_df.iterrows():
    existing_df = existing_df.append(row)

# ✅ 推荐: 一次性合并(O(n) 复杂度)
merged_df = pd.concat([existing_df, new_df], ignore_index=True)

内存优化:

• 大文件(>1GB)可使用 pd.read_csv(chunksize=10000) 分块读取
• 合并后立即删除中间变量: del existing_df, new_df

---

2.4 scan_and_process_new_files() - 批量处理

位置: data_processor.py:191-237

功能: 扫描 data 目录,批量处理所有新 Excel 文件

实现流程:

步骤 1: 扫描目录

excel_files = list(self.data_dir.glob('*.xlsx')) + list(self.data_dir.glob('*.xls'))

• 使用 pathlib.Path.glob() 查找文件
• 支持 .xlsx 和 .xls 两种格式

步骤 2: 批量处理

all_new_data = []
for excel_file in excel_files:
    try:
        # 处理单个文件
        df = self.process_new_excel(excel_file)
        all_new_data.append(df)

        # 处理完成后移动到已处理目录
        processed_dir = self.data_dir / 'processed'
        processed_dir.mkdir(exist_ok=True)

        new_path = processed_dir / f"{excel_file.stem}_processed_{datetime.now().strftime('%Y%m%d_%H%M%S')}{excel_file.suffix}"
        excel_file.rename(new_path)
        print(f"  文件已移动: {new_path}")

    except Exception as e:
        print(f"  处理失败: {e}")

异常处理策略:

• ✅ 单文件失败不中断: 使用 try-except 捕获单文件异常
• ✅ 记录错误信息: print(f"处理失败: {e}")
• ✅ 继续处理下一个: 不抛出异常,保证其他文件正常处理

步骤 3: 合并与保存

if all_new_data:
    # 合并所有新数据
    combined_new = pd.concat(all_new_data, ignore_index=True)

    # 与现有数据合并
    final_df = self.merge_with_existing(combined_new)

    # 保存
    self.save_merged_data(final_df)

    print(f"数据更新完成!")

触发方式:

1. 手动触发: python backend/data_processor.py
2. API 触发: POST /api/refresh (见 api_server.py:21-37)
3. 定时任务: 可配置 cron 定时执行

---

🎯 三、业务规则实现

3.1 负保费处理(退保/批改)

业务场景:

• 退保: 签单/批改保费 < 0 (例如: -5000.00)
• 批改减保: 部分退保导致保费为负

处理策略:

# ✅ 保留负数,不做修改
df[col] = pd.to_numeric(df[col], errors='coerce')

查询时的处理:

• 保费统计: 直接 sum(),负数会自动抵消正数
• 保单件数: 需要过滤 >= 50 的记录(见 data_processor.py:507-509)

# 保单件数: 过滤小额/负保费
period_data = period_data[period_data['签单/批改保费'] >= 50]
daily_stats = period_data.groupby('weekday_index').size()

注意事项:

• ❌ 不要用 abs() 取绝对值 - 会导致退保也计入正保费
• ✅ 前端展示时可用红色标注负数

---

3.2 零手续费场景

业务场景:

• 新能源车险: 部分地区手续费为 0
• 活动期间: 免手续费促销

处理策略:

# ✅ 保留 0 值,不做修改
commission_day = sum_float(day_df['手续费含税'])  # 0 也会被累加

验证逻辑:

• ❌ 不要判断 if commission > 0: - 会忽略合法的 0 值
• ✅ 允许 0 值存在,前端可特殊展示

---

3.3 日期格式标准化

支持的日期格式:

1. ISO 8601: 2025-11-08 (推荐)
2. 斜杠分隔: 2025/11/08
3. 无分隔符: 20251108
4. Excel 序列号: 44500 (自动转换)

标准化代码:

df['投保确认时间'] = pd.to_datetime(df['投保确认时间'], errors='coerce')

API 返回格式:

# 统一转换为 YYYY-MM-DD 格式
latest_date.strftime('%Y-%m-%d')  # '2025-11-08'

时区处理:

• 当前不涉及时区转换(所有数据均为本地时间)
• 如需支持时区: pd.to_datetime(..., utc=True)

---

3.4 缺失值填充策略

填充规则:

df = df.fillna('')  # 统一填充为空字符串

各字段缺失值处理:

字段类型	缺失值处理	查询时处理
日期字段	NaT → ''	pd.to_datetime(..., errors='coerce') 重新转换
数值字段	NaN → ''	pd.to_numeric(..., errors='coerce') 重新转换
文本字段	None → ''	直接使用空字符串

查询时的重新转换 (必需):

# 读取 CSV 后必须重新转换日期
df = pd.read_csv(self.merged_csv, encoding='utf-8-sig')
df['投保确认时间'] = pd.to_datetime(df['投保确认时间'], errors='coerce')

为什么需要重新转换:

• CSV 文件不保留数据类型信息
• pd.read_csv() 默认将日期读为字符串
• 必须显式转换才能进行日期运算

---

⚡ 四、性能优化技巧

4.1 Pandas 优化模式

优化 1: 使用向量化操作

❌ 低效: 逐行迭代

for _, row in df.iterrows():
    if row['签单/批改保费'] >= 50:
        count += 1

✅ 高效: 向量化过滤

count = len(df[df['签单/批改保费'] >= 50])

性能提升: 100x - 1000x

---

优化 2: 避免多次 DataFrame 复制

❌ 低效: 链式过滤(每次创建新 DataFrame)

df = df[df['签单/批改保费'] >= 50]
df = df[df['是否续保'] == '是']
df = df[df['三级机构'] == '达州']

✅ 高效: 合并条件

mask = (df['签单/批改保费'] >= 50) & \
       (df['是否续保'] == '是') & \
       (df['三级机构'] == '达州')
df = df[mask]

内存节省: 避免创建 3 个中间 DataFrame

---

优化 3: 使用 low_memory=False 处理大文件

# ✅ 推荐: 大文件读取时指定
df = pd.read_csv(self.merged_csv, encoding='utf-8-sig', low_memory=False)

说明:

• low_memory=True (默认): 分块读取,可能导致数据类型推断不一致
• low_memory=False: 一次性读取,确保类型一致(适用于 <1GB 文件)

---

4.2 内存管理

技巧 1: 显式删除中间变量

existing_df = pd.read_csv(...)
new_df = pd.read_excel(...)
merged_df = pd.concat([existing_df, new_df])

# ✅ 立即释放内存
del existing_df, new_df

技巧 2: 使用 dtype 指定数据类型(适用于已知列)

# ✅ 指定类型可减少内存占用
dtype_dict = {
    '保单号': 'string',
    '签单/批改保费': 'float32',  # 而非 float64
    '签单数量': 'int32'           # 而非 int64
}
df = pd.read_csv(..., dtype=dtype_dict)

内存节省: float64 → float32 减少 50% 内存

技巧 3: 分块处理大文件

# ✅ 超大文件(>1GB)使用分块
chunk_size = 10000
chunks = []
for chunk in pd.read_csv(..., chunksize=chunk_size):
    # 处理每个分块
    chunk = chunk[chunk['签单/批改保费'] >= 50]
    chunks.append(chunk)

df = pd.concat(chunks, ignore_index=True)

---

4.3 大文件处理策略

文件大小分级:

• 小文件 (<10MB): 直接 pd.read_csv() / pd.read_excel()
• 中文件 (10MB - 100MB): 使用 low_memory=False
• 大文件 (100MB - 1GB): 使用 dtype 指定类型
• 超大文件 (>1GB): 使用 chunksize 分块处理

当前项目实践:

• 车险清单合并 CSV: 约 20MB (中文件)
• 使用 low_memory=False 确保类型一致

---

4.4 并发处理考虑

当前架构: 单进程顺序处理

可优化方向:

from concurrent.futures import ProcessPoolExecutor

def process_file(excel_file):
    df = pd.read_excel(excel_file)
    df = _clean_data(df)
    return df

# ✅ 多进程并行处理
with ProcessPoolExecutor(max_workers=4) as executor:
    results = executor.map(process_file, excel_files)
    all_new_data = list(results)

注意事项:

• ⚠️ 多进程会增加内存占用(每个进程独立内存)
• ⚠️ Windows 下需要 if __name__ == '__main__': 保护
• ✅ 适用于文件数量多(>10)且单文件小(<10MB)的场景

---

🔍 五、错误处理与日志

5.1 异常捕获机制

文件处理异常

try:
    df = self.process_new_excel(excel_file)
    all_new_data.append(df)
except Exception as e:
    print(f"  处理失败: {e}")
    # ✅ 不中断,继续处理下一个文件

捕获的异常类型:

• FileNotFoundError: 文件不存在
• PermissionError: 文件被占用(Windows)
• xlrd.biffh.XLRDError: Excel 文件损坏
• MemoryError: 内存不足
• pd.errors.ParserError: CSV 解析失败

---

API 异常处理 (api_server.py:26-37)

@app.route('/api/refresh', methods=['POST'])
def refresh_data():
    try:
        processor.scan_and_process_new_files()
        return jsonify({
            'success': True,
            'message': '数据刷新成功',
            'latest_date': processor.get_latest_date()
        })
    except Exception as e:
        return jsonify({
            'success': False,
            'message': f'数据刷新失败: {str(e)}'
        }), 500

统一响应格式:

• 成功: { success: true, data: {...} }
• 失败: { success: false, message: "错误信息" }, HTTP 500

---

5.2 日志记录标准

当前日志级别:

• print(): 输出到 stdout (终端/日志文件)
• 无结构化日志(未使用 logging 模块)

日志内容:

print(f"正在处理Excel文件: {excel_path}")               # INFO
print(f"  读取成功: {len(df)} 行, {len(df.columns)} 列")  # INFO
print(f"  数据清洗完成")                                # INFO
print(f"  处理失败: {e}")                                # ERROR

改进建议 (使用 logging 模块):

import logging

logging.basicConfig(
    level=logging.INFO,
    format='%(asctime)s [%(levelname)s] %(message)s',
    handlers=[
        logging.FileHandler('backend/backend.log'),
        logging.StreamHandler()
    ]
)

logger = logging.getLogger(__name__)

# 使用
logger.info(f"正在处理Excel文件: {excel_path}")
logger.error(f"处理失败: {e}", exc_info=True)  # 记录完整堆栈

---

5.3 用户友好的错误提示

API 错误提示设计:

错误场景	HTTP 状态码	错误消息	用户操作建议
未找到数据	404	"未找到数据"	请先上传 Excel 文件
文件格式错误	500	"Excel 文件格式不正确"	请检查文件格式是否为 .xlsx/.xls
必填列缺失	500	"缺少必填列: 保单号"	请确保 Excel 包含所有必填列
日期格式错误	500	"投保确认时间格式不正确"	请使用 YYYY-MM-DD 格式
内存不足	500	"文件过大,内存不足"	请分批上传较小的文件

前端展示建议:

if (!response.success) {
  // ✅ 用户友好的提示
  toast.error(response.message)

  // ❌ 不友好的提示
  console.error(response.message)
}

---

📖 六、实际代码示例与最佳实践

6.1 完整的文件处理流程

from pathlib import Path
from data_processor import DataProcessor

# 初始化处理器
processor = DataProcessor(
    data_dir='data',
    staff_mapping_file='业务员机构团队归属.json'
)

# 批量处理新文件
processor.scan_and_process_new_files()

# 输出示例:
# ==========================================
# 找到 2 个Excel文件
# 正在处理Excel文件: data/车险清单_2025年10月.xlsx
#   读取成功: 1234 行, 45 列
#   数据清洗完成
#   合并完成: 5678 + 1234 = 6912 行
#   文件已移动: data/processed/车险清单_2025年10月_processed_20251108_143025.xlsx
# 正在处理Excel文件: data/车险清单_2025年11月.xlsx
#   读取成功: 890 行, 45 列
#   数据清洗完成
#   合并完成: 6912 + 890 = 7802 行
#   文件已移动: data/processed/车险清单_2025年11月_processed_20251108_143030.xlsx
# 数据更新完成!

---

6.2 单文件处理(手动控制)

from pathlib import Path
import pandas as pd
from data_processor import DataProcessor

processor = DataProcessor()

# 步骤 1: 处理单个 Excel
excel_path = Path('data/车险清单_2025年10月.xlsx')
df = processor.process_new_excel(excel_path)

# 步骤 2: 检查数据
print(f"处理后数据: {len(df)} 行")
print(f"列名: {df.columns.tolist()}")

# 步骤 3: 合并到现有数据
merged_df = processor.merge_with_existing(df)

# 步骤 4: 保存
processor.save_merged_data(merged_df)

print("单文件处理完成!")

---

6.3 数据验证与质量检查

import pandas as pd

# 读取合并后的数据
df = pd.read_csv('车险清单_2025年10-11月_合并.csv', encoding='utf-8-sig', low_memory=False)

# ===== 数据质量检查 =====

# 1. 检查必填列是否存在
required_cols = ['保单号', '业务员', '投保确认时间', '签单/批改保费']
missing_cols = [col for col in required_cols if col not in df.columns]
if missing_cols:
    print(f"❌ 缺少必填列: {missing_cols}")
else:
    print(f"✅ 必填列完整")

# 2. 检查保单号唯一性
df['投保确认时间'] = pd.to_datetime(df['投保确认时间'], errors='coerce')
duplicates = df[df.duplicated(subset=['保单号', '投保确认时间'], keep=False)]
if len(duplicates) > 0:
    print(f"⚠️  发现 {len(duplicates)} 条重复记录")
else:
    print(f"✅ 无重复记录")

# 3. 检查日期范围
latest_date = df['投保确认时间'].max()
earliest_date = df['投保确认时间'].min()
print(f"📅 日期范围: {earliest_date.date()} ~ {latest_date.date()}")

# 4. 检查保费分布
print(f"💰 保费统计:")
print(f"  - 最小值: {df['签单/批改保费'].min():.2f}")
print(f"  - 最大值: {df['签单/批改保费'].max():.2f}")
print(f"  - 平均值: {df['签单/批改保费'].mean():.2f}")
print(f"  - 负保费记录数: {len(df[df['签单/批改保费'] < 0])}")

# 5. 检查业务员映射覆盖率
staff_in_data = set(df['业务员'].dropna().unique())
staff_in_mapping = set()  # 从映射文件中提取
coverage = len(staff_in_mapping & staff_in_data) / len(staff_in_data) * 100
print(f"👥 业务员映射覆盖率: {coverage:.1f}%")

---

6.4 最佳实践总结

✅ 推荐做法

1. 使用 pathlib 处理路径

   # ✅ 推荐
   from pathlib import Path
   project_root = Path(__file__).parent.parent
   csv_path = project_root / '车险清单_2025年10-11月_合并.csv'
   
   # ❌ 不推荐
   import os
   csv_path = os.path.join(os.getcwd(), '车险清单_2025年10-11月_合并.csv')
   

2. 读取 CSV 时始终指定 encoding

   # ✅ 推荐
   df = pd.read_csv(csv_path, encoding='utf-8-sig')
   
   # ❌ 不推荐(可能乱码)
   df = pd.read_csv(csv_path)
   

3. 查询前重新转换日期类型

   # ✅ 推荐
   df = pd.read_csv(csv_path, encoding='utf-8-sig')
   df['投保确认时间'] = pd.to_datetime(df['投保确认时间'], errors='coerce')
   
   # ❌ 不推荐(日期运算会报错)
   df = pd.read_csv(csv_path, encoding='utf-8-sig')
   df['投保确认时间'].max()  # TypeError: '>' not supported
   

4. 使用向量化操作

   # ✅ 推荐
   count = len(df[df['签单/批改保费'] >= 50])
   
   # ❌ 不推荐
   count = 0
   for _, row in df.iterrows():
       if row['签单/批改保费'] >= 50:
           count += 1
   

5. 异常捕获不中断批量处理

   # ✅ 推荐
   for file in files:
       try:
           process(file)
       except Exception as e:
           logger.error(f"处理失败: {e}")
           continue  # 继续处理下一个
   
   # ❌ 不推荐(一个文件失败导致全部中断)
   for file in files:
       process(file)  # 未捕获异常
   

❌ 常见陷阱

1. 链式赋值警告

   # ❌ 会触发 SettingWithCopyWarning
   df[df['签单/批改保费'] >= 50]['是否续保'] = '是'
   
   # ✅ 使用 .loc
   df.loc[df['签单/批改保费'] >= 50, '是否续保'] = '是'
   

2. 日期比较前未转换

   # ❌ 日期是字符串,比较结果错误
   df = pd.read_csv(csv_path)
   df = df[df['投保确认时间'] > '2025-11-01']  # 字符串比较
   
   # ✅ 先转换为日期
   df['投保确认时间'] = pd.to_datetime(df['投保确认时间'], errors='coerce')
   df = df[df['投保确认时间'] > pd.to_datetime('2025-11-01')]
   

3. 忽略 errors='coerce'

   # ❌ 无效日期会抛出异常
   df['投保确认时间'] = pd.to_datetime(df['投保确认时间'])
   
   # ✅ 无效日期转为 NaT
   df['投保确认时间'] = pd.to_datetime(df['投保确认时间'], errors='coerce')
   

4. 使用 append() 追加行 (Pandas 1.4+ 已弃用)

   # ❌ 已弃用,且性能差
   for _, row in df.iterrows():
       new_df = new_df.append(row)
   
   # ✅ 使用 concat
   new_df = pd.concat([new_df, df], ignore_index=True)
   

---

🔗 七、相关资源

关键代码位置

• backend/data_processor.py - 数据处理核心逻辑
  • L107-236: 文件处理、清洗、合并
  • L129-153: 数据清洗规则
  • L155-184: 数据合并与去重
• backend/api_server.py - Flask API 服务
  • L21-37: 数据刷新接口

相关 Skills

• analyzing-auto-insurance-data - 数据分析核心方法
• api-endpoint-design (待开发) - API 规范文档

文档资源

• ARCHITECTURE.md - 系统架构文档
• PRODUCT_SPEC.md - 产品需求文档

---

✅ 总结

核心要点

1. 数据流转: Excel → 清洗 → 合并 → 去重 → CSV
2. 去重策略: 保单号 + 投保确认时间, keep='last'
3. 清洗步骤: 删除空行 → 日期转换 → 数值转换 → 填充空值
4. 性能优化: 向量化操作、避免链式过滤、显式删除中间变量
5. 异常处理: 单文件失败不中断、记录错误信息、用户友好提示

Token 节省估算

• 每次对话节省: 3000-5000 tokens
• 年使用次数: 约 30 次(数据处理问题)
• 年总节省: 90,000 - 150,000 tokens

适用场景

✅ 适用:

• Excel 文件上传与处理
• 数据清洗规则修改
• 合并逻辑调整
• 性能优化
• 异常排查

❌ 不适用:

• 业务逻辑查询(使用 analyzing-auto-insurance-data)
• API 接口设计(使用 api-endpoint-design)
• 前端组件开发(使用 vue-component-dev)

---

文档维护者: Claude Code AI Assistant 创建日期: 2025-11-08 下次审查: 2025-11-22