周一下午，行政助理小赵接到一串任务：老板要一份上季度客户台账，按地区统计签单额，顺带把重复的合并掉。
她打开文件，1480 行，8 列。第一眼看上去没什么问题——日期有值、金额是数字、客户名也都填了。
她把整张表丢给 AI，附上一句「帮我去重并按地区汇总签单额」。
AI 回来一份漂亮的表格，小赵对着原表核了一遍，发现少了 3 家客户、2 个地区的金额对不上，还把两笔不同日期的续费算成了同一天，问题不在 AI，在于她把「洗数据」当成了一件可以外包的事。
先看清一个事实：AI 不知道哪一行才是对的
多数人用 AI 处理表格时，脑子里想的是「表格很脏，AI 帮我变干净」。但这两件事中间隔着一个必须有人回答的问题：脏数据里，哪一行才算对的？
上例里那个「只差一个空格」的客户名，只有做过半年台账的人才知道那其实是两家不同的分公司，不该合并；而日期格式混用导致的错位，只有知道「续费发生在签约 anniversary」的人才能判断该不该改。
这两个判断 AI 都做不了，因为它手里没有你的业务背景，于是就有了这篇文章要讲的东西：处理脏数据的第一步永远不是打开 AI，而是先做诊断。
6 类脏数据，特征各不相同
脏数据不是一种东西。把它们混成一句「帮我清洗」，等于让一个助手同时做六种判断，它只能猜。
那具体是哪六类，各自怎么认？
下面这 6 类是实际业务表里出现频率最高的，每一类给了识别特征和处理成本。
第1 类：重复值（最常见，也最危险）
识别特征：看起来两条一模一样，但业务上其实不同。
小赵遇到的正是这类。「XX 科技」和「XX 科技 」看起来重复，实际上前者是签单主体、后者是收款主体，两笔金额都要算。
为什么危险：去重是所有清洗动作里唯一一个会减少行数的操作，别的操作最多改错一个单元格，去重一按，整行就没了，而且不可逆——原始文件如果没备份，这笔账就永远对不上了。
第 2 类：格式不统一
识别特征：同一列里出现两种以上写法。
最常见的是日期。「2026/1/5」「2026-01-05」「20260105」「1月5日」混在一列里，在 Excel 里它们是文本，排序会乱、算差值会报错。
日期是脏数据里最值得优先处理的，因为它会连锁污染后面所有的时间计算——按月汇总、按季度统计、同比环比，全都建立在日期能被识别的前提上。
第 3 类：空格与不可见字符
识别特征：肉眼完全看不出来，但复制粘贴就出问题。
这一类的成因很生活化：从网页复制带了一层不间断空格、从系统导出带了 BOM 头、用手机拍屏幕后 OCR 识别出来的全角字符，它的可怕之处是不可见——你在 Excel 里检查这一列觉得没问题，提交到系统就报格式错误，排查半天找不到原因。
第 4 类：一格多值
识别特征：一个单元格里塞了两三个内容，用斜杠或逗号分隔，「张三/李四」「2026年 3月，第二次续费」都是这一类，处理它需要你先回答一个问题：拆开的标准是什么？ 按人拆还是按行为拆？拆完是保留原列还是用原列加新列？这决定了后面能不能合并回去。
第 5 类：缺失与占位符混用
识别特征：空单元格和「无」「-」「待定」「暂无」同时存在，这一类最影响统计，求和时 Excel 会跳过文本，于是「待定」既没被算进去、也没被标记成缺失，它变成了一个静默的缺口，你在汇总里看到「本季度共 47 单」，实际可能是 49 单里有2 单被填成了「待定」。
第 6 类：口径不一致
识别特征：每一行单看都没错，合计却对不上。
最典型的是金额含不含税、同比用的是自然月还是财年、签约额按下单还是按回款。这一类不是数据问题，是定义问题，靠工具永远解决不了——它只能改数字，改不了口径。
排查顺序：为什么顺序比方法重要
上面 6 类不是并列关系，如果顺序错了，你会做无用功——先花半小时统一日期格式，再发现重复行没合并，统计结果照样是错的，那正确的顺序应该怎么排，为什么？
我的实际顺序是这样的：重复 → 日期 → 空格 → 多值 → 缺失 → 口径。
前四条能靠规则和工具解决，第五条要人工判断，第6 条要先跟需求方对齐。
三条排序理由，每条都是踩过坑的：
重复放最前，因为它是唯一一个会减少行数的操作， 一旦你开始改动单元格，就分不清哪些改动是在去重前做的、哪些是之后做的，先把行数固定下来，后面的操作才可追溯。
日期排第二，因为它传染。 日期错乱会让排序、分组、时间差全部失效。你在错乱的日期上做任何统计，结论都是错的，而且错得很隐蔽——数字看起来正常。
空格排第三，因为它决定前两步能不能被正确识别， 带着不可见空格，「2026-01-05」和「2026-01-05 」在程序看来是两个不同的值，你先去重、再统日期，都会漏掉这一条，它是底层问题，不解决，上面两层就是沙上建塔。
至于「口径不一致」为什么排最后——因为它需要你先跟老板确认。在口径没对齐之前做的一切清洗，都可能白做。 你把表洗得很干净，然后对方说「我们看的签单额是含税的」，前面全废。
让 AI 做对的前提：一次只给一类
诊断清楚之后，就可以交给 AI 了，但交法很讲究，为什么？
最常见的错误是把所有问题一次性描述出来。「帮我去重、统日期格式、去掉空格、拆分多值单元格、补全缺失项」——这句话里塞了五种判断，AI 会平均分配注意力，结果是每种都做得半吊子。
那正确做法是什么？
正确做法是一轮只处理一类，处理完自己核一轮，再进下一轮。
下面是可以直接抄的四段提示词，按上面四类的顺序对应。
第1 轮：查重复，但不合并
先只让 AI 列出疑似重复项，不要它直接删。原因前面说过：去重不可逆，而「疑似」和「确认」之间隔着业务知识。
提示词这样写：
附件是客户台账。请找出疑似重复的记录，输出一张表：
新增列 repeat_flag，值为"疑似重复-组N"，其余列原样保留。
不要删除任何行，不要修改任何原始值。
分组依据：客户名+签约日期。注意三个约束：只加列、不删行、不改值。让 AI 往表里「加东西」而不是「减东西」，是所有清洗操作的安全底线。
拿到结果后你只需要判断一件事：每组里该保留哪一行。判断完再自己删。
第 2 轮：统日期格式
附件中"签约日期"列存在多种格式：2026/1/5、2026-01-05、20260105、1月5日。
请统一转为 YYYY-MM-DD 格式，新增列 date_norm，保留原列不变。
无法解析的单元格，在 date_norm 填"待确认"，并在报告末尾单独列出这些行的行号。这段提示词里有两个关键设计：
一是不覆盖原列，新增一列。日期解析有失败的可能，保留原列才能对照。
二是明确给出失败时的行为（「填待确认并列出行号」），不给这句，AI 会自己编一个合理日期——2026-01-05 它可能猜成 2026-01-13，因为你写的是「2026年1月5日」这种写法，5日被当成别的了。任何清洗指令都必须先约定失败怎么办。
第 3 轮：查不可见字符
请检查"客户名""联系人"两列，找出含以下字符的单元格：
空格（含全角空格 U+3000）、不间断空格 U+00A0、零宽字符 U+200B。
输出行号、列名、字符的 Unicode 码位。用 repr() 形式展示原始字符串。为什么要查Unicode 码位？因为你在屏幕上根本看不见这些字符。让 AI 用 repr() 打出来，你才能看到 'XX 科技\u00a0' 这样的真实内容，这一步做完，剩下的空白就好处理了。
第 4 轮：拆一格多值
"参与人"列存在"张三/李四"这类多值。请按分隔符拆分为多行，
新增列 split_flag 标记原行号，保持其他列原样，不合并回去。拆成多行而不是拆成多列，是因为多列之后没法参与统计；而拆成多行之后，「同一笔单的参与人」这个关系还在。
顺带提醒一句：拆完之后行数会变，所以这一步必须放在最后做，否则前面三步的排查结果全部作废。
那些 AI 帮不上、只能人做的部分
上面四轮提示词覆盖了能被规则化的脏数据。但有一件事永远要人做，口径， 为什么这一项 AI 无论多强都替不了你？
小赵那张表，最后卡住的地方是老板说：「我们看的签单额是含税的，财务那边还有个回款口径，你两个都出一版。」
这一句话让前面所有清洗的结论都变了一档。AI 不会知道「签单额」在你这家公司对应哪个字段、哪个时间点。
所以处理脏数据的正确顺序其实是：先跟人对齐口径 → 再诊断 → 再让 AI 执行 → 最后自己核， 顺序反了，前面全是白做。
还有一个务必要做的动作：动原文件之前先备份。 如果文件是别人发给你的，找他要源文件；如果只有这一份，先复制一份，改名加日期。清洗过程不可逆，这个习惯省不了多少时间，但能救回一次事故。
收尾：清洗完不等于能交付
最后一件事经常被忽略，你把表洗干净了，交付之前还要做一次交叉核对，至少核这三项：清洗前后行数差能不能解释（每一步该减少的行都记下来）；关键列的空值率变化；以及随机抽10 行人工比对原表，前两项是统计核对，第三项是抽样核对，10 行不多，但能拦住绝大多数「步骤都对、合起来错」的情况。
小赵第二次处理时，就是抽了 10 行才发现 AI 把「2026年1月5日」统一成了 2026-01-13——因为她原表里那一列有三种写法，而 AI 只按其中一种解析。规则化的操作，也可能因为没见过某种格式而出错。
顺带说一句，这篇讲的是诊断顺序和提示词结构，具体工具怎么选可以看站内另一篇：Kimi 处理 Excel 表格实测：3 步搞定脏数据那篇是工具侧的横向实测，和本文的排查顺序正好互补，表洗完之后怎么把数字变成老板要看的结论，则在用 AI 把报表变成老板要的结论里讲过。
