Sub SplitMultiChoiceBasic()    ' 基础版本：简单的拆分实现    Dim ws As Worksheet    Dim lastRow As Long, i As Long, j As Long    Dim items() As String    Dim outputRow As Long    Set ws = ThisWorkbook.Worksheets("质检数据")    lastRow = ws.Cells(ws.Rows.Count, 1).End(xlUp).Row    outputRow = 2  ' 从第2行开始输出    ' 清空输出区域    ws.Range("G:Z").ClearContents    ' 设置输出表头    ws.Cells(1, 7) = "姓名"    ws.Cells(1, 8) = "问题描述"    ws.Cells(1, 9) = "日期"    ws.Cells(1, 10) = "评分"    For i = 2 To lastRow        Dim name As String, dateStr As String, score As Double        Dim problemStr As String        ' 读取原始数据        name = ws.Cells(i, 1).Value        problemStr = ws.Cells(i, 2).Value        dateStr = ws.Cells(i, 3).Value        score = ws.Cells(i, 4).Value        ' 拆分多选题        If Len(Trim(problemStr)) > 0 Then            items = Split(problemStr, ",")            ' 写入每一行            For j = LBound(items) To UBound(items)                ws.Cells(outputRow, 7) = name                ws.Cells(outputRow, 8) = Trim(items(j))  ' Trim去除空格                ws.Cells(outputRow, 9) = dateStr                ws.Cells(outputRow, 10) = score                outputRow = outputRow + 1            Next j        Else            ' 如果没有问题描述，也要保留记录            ws.Cells(outputRow, 7) = name            ws.Cells(outputRow, 8) = ""            ws.Cells(outputRow, 9) = dateStr            ws.Cells(outputRow, 10) = score            outputRow = outputRow + 1        End If        ' 进度提示        If i Mod 100 = 0 Then            Application.StatusBar = "处理中: " & i & "/" & lastRow        End If    Next i    Application.StatusBar = False    MsgBox "处理完成！共生成 " & (outputRow - 2) & " 行数据。", vbInformationEnd Sub

' 在标准模块中定义自定义数据类型Type QualityRecord    Name As String    Problems() As String    RecordDate As Date    Score As Double    AgentID As String    Department As StringEnd TypeType ProblemItem    AgentName As String    ProblemDesc As String    RecordDate As Date    Score As Double    AgentID As String    Department As String    ProblemID As Long    Severity As StringEnd TypeSub SplitMultiChoiceAdvanced()    ' 进阶版本：支持更多功能和错误处理    On Error GoTo ErrorHandler    Dim startTime As Double    startTime = Timer    Dim wsSource As Worksheet, wsDest As Worksheet    Dim lastRow As Long, lastCol As Long    Dim i As Long, j As Long, k As Long    Dim outputRow As Long    Dim records() As QualityRecord    Dim problemItems() As ProblemItem    Dim itemCount As Long    Dim totalProblems As Long    ' 设置工作表    Set wsSource = ThisWorkbook.Worksheets("原始数据")    Set wsDest = ThisWorkbook.Worksheets("拆分结果")    ' 清除旧结果，但保留表头    wsDest.UsedRange.Offset(1, 0).ClearContents    ' 获取数据范围    lastRow = wsSource.Cells(wsSource.Rows.Count, 1).End(xlUp).Row    lastCol = wsSource.Cells(1, wsSource.Columns.Count).End(xlToLeft).Column    ' 验证表头    Dim headerNames As Object    Set headerNames = CreateObject("Scripting.Dictionary")    For i = 1 To lastCol        headerNames(wsSource.Cells(1, i).Value) = i    Next i    ' 检查必要的列是否存在    Dim requiredCols As Variant    requiredCols = Array("姓名", "问题描述", "质检日期", "得分")    For Each reqCol In requiredCols        If Not headerNames.Exists(reqCol) Then            MsgBox "缺少必要的列: " & reqCol, vbCritical            Exit Sub        End If    Next    ' 重新定义表头映射    Dim colName As Long, colProblem As Long, colDate As Long, colScore As Long    colName = headerNames("姓名")    colProblem = headerNames("问题描述")    colDate = headerNames("质检日期")    colScore = headerNames("得分")    ' 可选列    Dim colAgentID As Long, colDept As Long    colAgentID = IIf(headerNames.Exists("工号"), headerNames("工号"), 0)    colDept = IIf(headerNames.Exists("部门"), headerNames("部门"), 0)    ' 第一步：收集数据    ReDim records(1 To lastRow - 1)    totalProblems = 0    For i = 2 To lastRow        Dim rec As QualityRecord        Dim problemStr As String        Dim problems() As String        With wsSource            ' 读取基本信息            rec.Name = Trim(.Cells(i, colName).Value)            problemStr = Trim(.Cells(i, colProblem).Value)            rec.RecordDate = .Cells(i, colDate).Value            rec.Score = .Cells(i, colScore).Value            If colAgentID > 0 Then                rec.AgentID = Trim(.Cells(i, colAgentID).Value)            End If            If colDept > 0 Then                rec.Department = Trim(.Cells(i, colDept).Value)            End If            ' 处理问题描述            If Len(problemStr) > 0 Then                ' 支持多种分隔符：逗号、分号、顿号                problemStr = Replace(problemStr, "；", ",")  ' 中文分号转英文逗号                problemStr = Replace(problemStr, "、", ",")  ' 中文顿号转英文逗号                problemStr = Replace(problemStr, "，", ",")  ' 中文逗号转英文逗号                problemStr = Replace(problemStr, "|", ",")   ' 竖线转逗号                problemStr = Replace(problemStr, ";", ",")   ' 英文分号转逗号                ' 去除多余空格                problemStr = Application.WorksheetFunction.Trim(problemStr)                ' 拆分                problems = Split(problemStr, ",")                ' 清理每个问题项                ReDim rec.Problems(LBound(problems) To UBound(problems))                For j = LBound(problems) To UBound(problems)                    rec.Problems(j) = Trim(problems(j))                    totalProblems = totalProblems + 1                Next j            Else                ' 如果没有问题，创建一个空数组                ReDim rec.Problems(0)                rec.Problems(0) = "（无）"                totalProblems = totalProblems + 1            End If        End With        Set records(i - 1) = rec    Next i    ' 第二步：准备输出    ReDim problemItems(1 To totalProblems)    itemCount = 0    ' 问题严重性映射（可根据实际情况调整）    Dim severityMap As Object    Set severityMap = CreateObject("Scripting.Dictionary")    ' 初始化严重性映射    severityMap.Add "服务态度差", "高"    severityMap.Add "业务不熟", "中"    severityMap.Add "响应超时", "中"    severityMap.Add "流程繁琐", "低"    severityMap.Add "操作不便", "低"    severityMap.Add "系统故障", "高"    ' ... 可以继续添加    For i = 1 To UBound(records)        Set rec = records(i)        For j = LBound(rec.Problems) To UBound(rec.Problems)            itemCount = itemCount + 1            Dim pItem As ProblemItem            pItem.AgentName = rec.Name            pItem.ProblemDesc = rec.Problems(j)            pItem.RecordDate = rec.RecordDate            pItem.Score = rec.Score            pItem.AgentID = rec.AgentID            pItem.Department = rec.Department            pItem.ProblemID = itemCount            ' 确定问题严重性            If severityMap.Exists(pItem.ProblemDesc) Then                pItem.Severity = severityMap(pItem.ProblemDesc)            Else                pItem.Severity = "中"  ' 默认值            End If            Set problemItems(itemCount) = pItem        Next j    Next i    ' 第三步：写入结果    With wsDest        ' 设置表头        .Cells(1, 1) = "序号"        .Cells(1, 2) = "工号"        .Cells(1, 3) = "姓名"        .Cells(1, 4) = "部门"        .Cells(1, 5) = "问题描述"        .Cells(1, 6) = "严重程度"        .Cells(1, 7) = "质检日期"        .Cells(1, 8) = "得分"        ' 写入数据        For i = 1 To itemCount            Set pItem = problemItems(i)            .Cells(i + 1, 1) = i            .Cells(i + 1, 2) = pItem.AgentID            .Cells(i + 1, 3) = pItem.AgentName            .Cells(i + 1, 4) = pItem.Department            .Cells(i + 1, 5) = pItem.ProblemDesc            .Cells(i + 1, 6) = pItem.Severity            .Cells(i + 1, 7) = pItem.RecordDate            .Cells(i + 1, 8) = pItem.Score        Next i        ' 格式化        .Columns("A:H").AutoFit        .Range("G2:G" & itemCount + 1).NumberFormat = "yyyy-mm-dd"        .Range("H2:H" & itemCount + 1).NumberFormat = "0.0"        ' 添加条件格式：根据严重程度着色        With .Range("F2:F" & itemCount + 1).FormatConditions            .Delete            ' 高严重性 - 红色            With .Add(Type:=xlCellValue, Operator:=xlEqual, Formula1:="=""高""")                .Interior.Color = RGB(255, 199, 206)  ' 浅红                .Font.Color = RGB(156, 0, 6)         ' 深红            End With            ' 中严重性 - 黄色            With .Add(Type:=xlCellValue, Operator:=xlEqual, Formula1:="=""中""")                .Interior.Color = RGB(255, 235, 156)  ' 浅黄                .Font.Color = RGB(102, 61, 0)         ' 深黄            End With            ' 低严重性 - 绿色            With .Add(Type:=xlCellValue, Operator:=xlEqual, Formula1:="=""低""")                .Interior.Color = RGB(198, 239, 206)  ' 浅绿                .Font.Color = RGB(0, 97, 0)           ' 深绿            End With        End With        ' 添加筛选        .Range("A1:H1").AutoFilter        ' 添加汇总行        Dim summaryRow As Long        summaryRow = itemCount + 3        .Cells(summaryRow, 1) = "汇总统计"        .Cells(summaryRow, 1).Font.Bold = True        .Cells(summaryRow + 1, 1) = "总记录数"        .Cells(summaryRow + 1, 2) = itemCount        .Cells(summaryRow + 2, 1) = "涉及员工数"        ' 计算不重复员工数        Dim employees As Object        Set employees = CreateObject("Scripting.Dictionary")        For i = 1 To itemCount            Set pItem = problemItems(i)            employees(pItem.AgentID & "|" & pItem.AgentName) = 1        Next i        .Cells(summaryRow + 2, 2) = employees.Count        ' 问题类型统计        Dim problemStats As Object        Set problemStats = CreateObject("Scripting.Dictionary")        For i = 1 To itemCount            Set pItem = problemItems(i)            If Not problemStats.Exists(pItem.ProblemDesc) Then                problemStats.Add pItem.ProblemDesc, 1            Else                problemStats(pItem.ProblemDesc) = problemStats(pItem.ProblemDesc) + 1            End If        Next i        .Cells(summaryRow + 3, 1) = "问题类型分布"        .Cells(summaryRow + 3, 1).Font.Bold = True        Dim rowOffset As Long        rowOffset = 0        For Each problem In problemStats.Keys            .Cells(summaryRow + 4 + rowOffset, 1) = problem            .Cells(summaryRow + 4 + rowOffset, 2) = problemStats(problem)            rowOffset = rowOffset + 1        Next    End With    Dim endTime As Double    endTime = Timer    MsgBox "处理完成！" & vbCrLf & _           "原始记录数: " & (lastRow - 1) & vbCrLf & _           "生成行数: " & itemCount & vbCrLf & _           "处理时间: " & Format(endTime - startTime, "0.00") & " 秒", _           vbInformation, "多选质检表拆分"    Exit SubErrorHandler:    MsgBox "错误 " & Err.Number & ": " & Err.Description & vbCrLf & _           "发生在: " & Erl, vbCritical, "错误"End Sub

import pandas as pdimport numpy as npfrom typing import List, Dict, Any, Optionalimport refrom datetime import datetimeimport warningswarnings.filterwarnings('ignore')class QualityDataSplitter:    """质检数据拆分器 - Python版本"""    def __init__(self):        """初始化拆分器"""        # 问题严重性映射        self.severity_mapping = {            '服务态度差': '高',            '业务不熟': '中',             '响应超时': '中',            '流程繁琐': '低',            '操作不便': '低',            '系统故障': '高',            '语言不文明': '高',            '未一次性解决': '中',            '信息记录错误': '中',            '流程错误': '高',            '（无）': '无'        }        # 部门映射（可选）        self.department_mapping = {}    def split_multichoice_basic(self, df: pd.DataFrame,                                problem_col: str = '问题描述',                               id_col: str = '姓名',                               date_col: str = '质检日期',                               score_col: str = '得分') -> pd.DataFrame:        """        基础版本：多选拆分        参数：            df: 原始DataFrame            problem_col: 问题描述列名            id_col: 标识列（如姓名）            date_col: 日期列            score_col: 得分列        返回：            拆分后的DataFrame        """        # 创建副本，避免修改原始数据        df_clean = df.copy()        # 处理缺失值        df_clean[problem_col] = df_clean[problem_col].fillna('（无）')        # 🎯 核心代码：一行实现拆分！        df_clean['拆分问题'] = df_clean[problem_col].str.split(',')        # 🎯 爆炸展开：将列表拆分为多行        result = df_clean.explode('拆分问题')        # 清理空格        result['拆分问题'] = result['拆分问题'].str.strip()        # 重命名列        result = result.rename(columns={'拆分问题': '问题描述'})        # 选择需要的列        keep_cols = [id_col, '问题描述', date_col, score_col]        result = result[keep_cols]        # 重置索引        result = result.reset_index(drop=True)        return result    def split_multichoice_advanced(self, df: pd.DataFrame,                                   problem_col: str = '问题描述',                                  delimiter: str = ',',                                  additional_cols: List[str] = None) -> pd.DataFrame:        """        高级版本：支持更多功能        参数：            df: 原始DataFrame            problem_col: 问题描述列名            delimiter: 分隔符，支持正则表达式            additional_cols: 需要保留的其他列        返回：            拆分后的DataFrame        """        print("=" * 60)        print("开始处理质检多选数据")        print("=" * 60)        start_time = datetime.now()        # 数据验证        if problem_col not in df.columns:            raise ValueError(f"列 '{problem_col}' 不存在于数据中")        # 复制数据        df_work = df.copy()        # 1. 数据预处理        print("1. 🔧 数据预处理...")        # 处理缺失值        original_rows = len(df_work)        df_work[problem_col] = df_work[problem_col].fillna('（无）')        # 标准化分隔符        if delimiter == ',':            # 统一各种分隔符为英文逗号            df_work[problem_col] = df_work[problem_col].str.replace(r'[；、，;|]', ',', regex=True)        # 去除多余空格        df_work[problem_col] = df_work[problem_col].str.strip()        # 2. 🎯 核心拆分逻辑        print("2. 🔨 执行多选拆分...")        # 拆分字符串为列表        df_work['_problem_list'] = df_work[problem_col].str.split(delimiter)        # 统计拆分前的问题数量        problem_counts = df_work['_problem_list'].str.len()        print(f"   平均每个记录的问题数: {problem_counts.mean():.2f}")        print(f"   最多问题数: {problem_counts.max()}")        print(f"   最少问题数: {problem_counts.min()}")        # 🎯 关键步骤：爆炸展开        result = df_work.explode('_problem_list', ignore_index=True)        # 清理问题描述        result['问题描述'] = result['_problem_list'].str.strip()        # 删除临时列        result = result.drop(columns=['_problem_list', problem_col])        # 3. 数据增强        print("3. 🎨 数据增强...")        # 添加问题ID        result = result.reset_index(drop=True)        result['问题ID'] = result.index + 1        # 添加严重程度        result['严重程度'] = result['问题描述'].map(self.severity_mapping)        result['严重程度'] = result['严重程度'].fillna('中')  # 默认值        # 添加唯一标识        result['记录ID'] = result.groupby(['姓名', '质检日期']).ngroup() + 1        # 4. 统计信息        end_time = datetime.now()        processing_time = (end_time - start_time).total_seconds()        print("\n" + "=" * 60)        print("处理完成!")        print("=" * 60)        print(f"📊 统计信息:")        print(f"   原始记录数: {original_rows:,}")        print(f"   拆分后行数: {len(result):,}")        print(f"   扩展倍数: {len(result)/original_rows:.2f}倍")        print(f"   处理时间: {processing_time:.2f}秒")        print(f"   平均速度: {len(result)/processing_time:.0f} 行/秒")        # 问题分布        print(f"\n📈 问题类型分布:")        problem_dist = result['问题描述'].value_counts().head(10)        for problem, count in problem_dist.items():            percentage = count / len(result) * 100            print(f"   {problem}: {count:,}次 ({percentage:.1f}%)")        # 严重程度分布        print(f"\n⚠️  严重程度分布:")        severity_dist = result['严重程度'].value_counts()        for severity, count in severity_dist.items():            percentage = count / len(result) * 100            print(f"   {severity}: {count:,}次 ({percentage:.1f}%)")        return result

def complete_quality_analysis_workflow():    """    完整的质检数据分析工作流    """    print("=" * 60)    print("质检多选数据分析工作流")    print("=" * 60)    # 1. 创建示例数据    print("\n1. 📥 创建示例数据...")    np.random.seed(42)    n_records = 10000    # 问题类型列表    problem_types = [        '服务态度差', '业务不熟', '响应超时', '流程繁琐',         '操作不便', '系统故障', '语言不文明', '未一次性解决',        '信息记录错误', '流程错误', '解决方案不当', '跟进不及时'    ]    # 生成模拟数据    data = []    for i in range(n_records):        # 随机选择1-4个问题        n_problems = np.random.randint(1, 5)        selected_problems = np.random.choice(problem_types, n_problems, replace=False)        problems = ','.join(selected_problems)        data.append({            '工号': f'E{10000 + i:05d}',            '姓名': np.random.choice(['张三', '李四', '王五', '赵六', '钱七', '孙八', '周九', '吴十']),            '部门': np.random.choice(['客服部', '技术部', '销售部', '售后部', '市场部']),            '问题描述': problems,            '质检日期': pd.Timestamp('2023-01-01') + pd.Timedelta(days=np.random.randint(0, 365)),            '得分': np.random.uniform(60, 100),            '质检员': np.random.choice(['质检员A', '质检员B', '质检员C', '质检员D'])        })    df = pd.DataFrame(data)    print(f"   生成 {len(df):,} 条记录")    print(f"   示例数据:")    print(df.head())    # 2. 创建拆分器    print("\n2. ⚙️  创建数据拆分器...")    splitter = QualityDataSplitter()    # 3. 执行拆分    print("\n3. 🔨 执行多选拆分...")    result = splitter.split_multichoice_advanced(        df,         problem_col='问题描述',        delimiter=',',        additional_cols=['工号', '部门', '质检员']    )    # 4. 保存结果    print("\n4. 💾 保存结果...")    output_file = '质检数据_拆分结果.csv'    result.to_csv(output_file, index=False, encoding='utf-8-sig')    print(f"   结果已保存到: {output_file}")    # 5. 生成分析报告    print("\n5. 📊 生成分析报告...")    generate_analysis_report(result, df)    return resultdef generate_analysis_report(result_df: pd.DataFrame, original_df: pd.DataFrame):    """生成分析报告"""    print("\n" + "=" * 60)    print("质检数据分析报告")    print("=" * 60)    # 基本统计    print(f"\n📈 基本统计:")    print(f"   原始记录数: {len(original_df):,}")    print(f"   拆分后记录数: {len(result_df):,}")    print(f"   平均每个原始记录的问题数: {len(result_df)/len(original_df):.2f}")    # 问题类型TOP 10    print(f"\n🔝 高频问题 TOP 10:")    top_problems = result_df['问题描述'].value_counts().head(10)    for i, (problem, count) in enumerate(top_problems.items(), 1):        percentage = count / len(result_df) * 100        print(f"   {i:2d}. {problem:15}{count:6,}次 ({percentage:5.1f}%)")    # 严重程度分析    print(f"\n⚠️  严重程度分析:")    severity_stats = result_df['严重程度'].value_counts()    for severity, count in severity_stats.items():        percentage = count / len(result_df) * 100        print(f"   {severity:5}{count:6,}次 ({percentage:5.1f}%)")    # 部门问题分析    print(f"\n🏢 各部门问题数量:")    dept_problems = result_df.groupby('部门')['问题描述'].count().sort_values(ascending=False)    for dept, count in dept_problems.items():        percentage = count / len(result_df) * 100        print(f"   {dept:10}{count:6,}次 ({percentage:5.1f}%)")    # 时间趋势分析    print(f"\n📅 问题数量月度趋势:")    result_df['月份'] = result_df['质检日期'].dt.to_period('M')    monthly_trend = result_df.groupby('月份')['问题描述'].count()    for month, count in monthly_trend.tail(6).items():  # 最近6个月        print(f"   {month}: {count:6,}次")    # 员工问题排名    print(f"\n👤 员工问题数量 TOP 10:")    agent_problems = result_df.groupby(['工号', '姓名'])['问题描述'].count().sort_values(ascending=False).head(10)    for (emp_id, name), count in agent_problems.items():        print(f"   {name:10} ({emp_id}): {count:4,}次")    # 生成可视化    print("\n🎨 生成可视化图表...")    try:        import matplotlib.pyplot as plt        import seaborn as sns        plt.figure(figsize=(15, 10))        # 问题类型分布        plt.subplot(2, 2, 1)        top_problems.head(10).plot(kind='barh')        plt.title('问题类型分布 TOP 10')        plt.xlabel('出现次数')        # 严重程度分布        plt.subplot(2, 2, 2)        severity_stats.plot(kind='pie', autopct='%1.1f%%')        plt.title('严重程度分布')        plt.ylabel('')        # 月度趋势        plt.subplot(2, 2, 3)        monthly_trend.tail(12).plot(kind='line', marker='o')        plt.title('月度问题趋势')        plt.xlabel('月份')        plt.ylabel('问题数量')        plt.xticks(rotation=45)        # 部门分布        plt.subplot(2, 2, 4)        dept_problems.plot(kind='bar')        plt.title('部门问题分布')        plt.xlabel('部门')        plt.ylabel('问题数量')        plt.xticks(rotation=45)        plt.tight_layout()        plt.savefig('质检分析报告.png', dpi=300, bbox_inches='tight')        plt.show()        print("   图表已保存为: 质检分析报告.png")    except ImportError:        print("   ⚠️  matplotlib/seaborn 未安装，跳过图表生成")        print("   安装命令: pip install matplotlib seaborn")    print("\n" + "=" * 60)    print("报告生成时间:", datetime.now().strftime("%Y-%m-%d %H:%M:%S"))    print("=" * 60)

def performance_comparison():    """VBA vs Python 性能对比"""    import time    import numpy as np    print("性能对比测试: VBA逻辑 vs Python向量化")    print("=" * 60)    # 生成测试数据    np.random.seed(42)    # 不同数据规模    test_sizes = [100, 1000, 10000, 100000]    results = []    for size in test_sizes:        print(f"\n数据规模: {size:,} 条")        print("-" * 40)        # 生成测试数据        problem_types = ['服务态度差', '业务不熟', '响应超时', '流程繁琐', '操作不便']        data = []        for i in range(size):            n_problems = np.random.randint(1, 4)            selected = np.random.choice(problem_types, n_problems, replace=False)            problems = ','.join(selected)            data.append({                '姓名': f'员工{i}',                '问题描述': problems,                '质检日期': '2023-01-01',                '得分': np.random.uniform(60, 100)            })        df = pd.DataFrame(data)        # Python方法        start_time = time.time()        splitter = QualityDataSplitter()        python_result = splitter.split_multichoice_basic(df)        python_time = time.time() - start_time        # VBA逻辑模拟（Python实现相同逻辑）        start_time = time.time()        vba_result = []        for _, row in df.iterrows():            name = row['姓名']            problems = row['问题描述']            date = row['质检日期']            score = row['得分']            if pd.isna(problems) or problems == '':                vba_result.append([name, '（无）', date, score])            else:                problem_list = problems.split(',')                for problem in problem_list:                    vba_result.append([name, problem.strip(), date, score])        vba_df = pd.DataFrame(vba_result, columns=['姓名', '问题描述', '质检日期', '得分'])        vba_time = time.time() - start_time        # 验证结果一致性        python_sorted = python_result.sort_values(['姓名', '问题描述']).reset_index(drop=True)        vba_sorted = vba_df.sort_values(['姓名', '问题描述']).reset_index(drop=True)        is_same = python_sorted.equals(vba_sorted)        print(f"Python向量化: {python_time:.3f}秒")        print(f"VBA逻辑模拟: {vba_time:.3f}秒")        print(f"速度提升: {vba_time/python_time:.1f}倍")        print(f"结果一致: {'✅'if is_same else'❌'}")        results.append({            '数据量': size,            'Python时间(秒)': python_time,            'VBA时间(秒)': vba_time,            '速度提升倍数': vba_time / python_time,            'Python速度(行/秒)': size / python_time if python_time > 0 else 0,            'VBA速度(行/秒)': size / vba_time if vba_time > 0 else 0        })    # 汇总结果    results_df = pd.DataFrame(results)    print("\n" + "=" * 60)    print("性能对比汇总:")    print(results_df.to_string(index=False))    # 可视化对比    try:        import matplotlib.pyplot as plt        fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))        # 处理时间对比        ax1.plot(results_df['数据量'], results_df['Python时间(秒)'], 'o-', label='Python', linewidth=2)        ax1.plot(results_df['数据量'], results_df['VBA时间(秒)'], 's-', label='VBA', linewidth=2)        ax1.set_xlabel('数据量 (条)')        ax1.set_ylabel('处理时间 (秒)')        ax1.set_title('处理时间对比')        ax1.legend()        ax1.grid(True, alpha=0.3)        # 速度对比        ax2.plot(results_df['数据量'], results_df['Python速度(行/秒)'], 'o-', label='Python', linewidth=2)        ax2.plot(results_df['数据量'], results_df['VBA速度(行/秒)'], 's-', label='VBA', linewidth=2)        ax2.set_xlabel('数据量 (条)')        ax2.set_ylabel('处理速度 (行/秒)')        ax2.set_title('处理速度对比')        ax2.legend()        ax2.grid(True, alpha=0.3)        plt.tight_layout()        plt.savefig('性能对比.png', dpi=300, bbox_inches='tight')        plt.show()    except ImportError:        pass    return results_df# 运行性能测试performance_df = performance_comparison()

def excel_to_python_workflow():    """    Excel到Python的完整迁移模板    """    # 1. 从Excel读取数据    print("📥 从Excel读取数据...")    excel_file = "质检数据.xlsx"    # 方法1: 使用pandas直接读取    df = pd.read_excel(excel_file, sheet_name='Sheet1')    # 方法2: 从多个工作表读取    # excel_data = pd.read_excel(excel_file, sheet_name=None)  # 读取所有工作表    print(f"读取到 {len(df)} 行数据")    # 2. 数据清洗和转换    print("🔧 数据清洗...")    # 标准化列名    df.columns = df.columns.str.strip()  # 去除列名空格    # 处理缺失值    df = df.fillna({'问题描述': '（无）', '得分': 0})    # 数据类型转换    df['质检日期'] = pd.to_datetime(df['质检日期'], errors='coerce')    df['得分'] = pd.to_numeric(df['得分'], errors='coerce')    # 3. 多选拆分    print("🔨 执行多选拆分...")    splitter = QualityDataSplitter()    result_df = splitter.split_multichoice_advanced(df)    # 4. 数据分析    print("📊 数据分析...")    # 透视表：各部门问题数量    pivot_dept = pd.pivot_table(        result_df,        values='问题ID',        index='部门',        columns='严重程度',        aggfunc='count',        fill_value=0    )    print("\n各部门问题严重程度分布:")    print(pivot_dept)    # 透视表：月度趋势    result_df['月份'] = result_df['质检日期'].dt.to_period('M')    pivot_month = pd.pivot_table(        result_df,        values='问题ID',        index='月份',        columns='问题描述',        aggfunc='count',        fill_value=0    )    # 5. 保存结果    print("\n💾 保存结果...")    # 保存到Excel（多个工作表）    output_file = "质检分析结果.xlsx"    with pd.ExcelWriter(output_file, engine='openpyxl') as writer:        # 原始数据        df.to_excel(writer, sheet_name='原始数据', index=False)        # 拆分结果        result_df.to_excel(writer, sheet_name='拆分结果', index=False)        # 透视表        pivot_dept.to_excel(writer, sheet_name='部门分析')        pivot_month.to_excel(writer, sheet_name='月度趋势')        # 统计摘要        summary_data = {            '指标': ['总记录数', '拆分后行数', '平均问题数', '开始日期', '结束日期'],            '数值': [                len(df),                len(result_df),                len(result_df) / len(df),                result_df['质检日期'].min().strftime('%Y-%m-%d'),                result_df['质检日期'].max().strftime('%Y-%m-%d')            ]        }        pd.DataFrame(summary_data).to_excel(writer, sheet_name='统计摘要', index=False)    print(f"结果已保存到: {output_file}")    # 6. 生成报告    print("\n📄 生成分析报告...")    generate_html_report(result_df, df, output_file)    return result_dfdef generate_html_report(result_df, original_df, excel_file):    """生成HTML格式的报告"""    html_content = f"""<!DOCTYPE html><html><head>    <title>质检数据分析报告</title>    <style>        body {{ font-family: Arial, sans-serif; margin: 40px; }}        h1 {{ color: #333; border-bottom: 2px solid #4CAF50; padding-bottom: 10px; }}        h2 {{ color: #666; margin-top: 30px; }}        .metric {{ background: #f5f5f5; padding: 20px; margin: 20px 0; border-radius: 5px; }}        .metric-value {{ font-size: 2em; color: #4CAF50; font-weight: bold; }}        table {{ width: 100%; border-collapse: collapse; margin: 20px 0; }}        th, td {{ padding: 12px; text-align: left; border-bottom: 1px solid #ddd; }}        th {{ background-color: #4CAF50; color: white; }}        tr:hover {{ background-color: #f5f5f5; }}        .highlight {{ background-color: #e8f5e8; }}    </style></head><body>    <h1>📊 质检数据分析报告</h1>    <p>生成时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}</p>    <divclass="metric">        <h2>📈 关键指标</h2>        <divclass="metric-value">原始记录: {len(original_df):,}</div>        <divclass="metric-value">拆分后记录: {len(result_df):,}</div>        <divclass="metric-value">平均问题数: {len(result_df)/len(original_df):.2f}</div>    </div>    <h2>⚠️ 问题严重程度分布</h2>    <table>        <tr><th>严重程度</th><th>数量</th><th>占比</th></tr>"""    # 严重程度统计    severity_stats = result_df['严重程度'].value_counts()    for severity, count in severity_stats.items():        percentage = count / len(result_df) * 100        html_content += f'<tr><td>{severity}</td><td>{count:,}</td><td>{percentage:.1f}%</td></tr>\n'    html_content += """    </table>    <h2>🔝 高频问题 TOP 10</h2>    <table>        <tr><th>排名</th><th>问题描述</th><th>出现次数</th><th>占比</th></tr>"""    # 高频问题    top_problems = result_df['问题描述'].value_counts().head(10)    for i, (problem, count) in enumerate(top_problems.items(), 1):        percentage = count / len(result_df) * 100        html_content += f'<tr><td>{i}</td><td>{problem}</td><td>{count:,}</td><td>{percentage:.1f}%</td></tr>\n'    html_content += f"""    </table>    <h2>📁 数据文件</h2>    <p>详细数据已保存到: <strong>{excel_file}</strong></p>    <p>包含以下工作表:</p>    <ul>        <li>原始数据 - 原始质检记录</li>        <li>拆分结果 - 多选拆分后的数据</li>        <li>部门分析 - 各部门问题分布</li>        <li>月度趋势 - 问题数量月度变化</li>        <li>统计摘要 - 关键指标汇总</li>    </ul>    <divclass="highlight">        <h3>🎯 改进建议</h3>        <p>1. <strong>高频问题专项整改</strong>: 针对出现频率最高的问题类型，开展专项培训</p>        <p>2. <strong>高风险部门重点关注</strong>: 对问题数量较多的部门进行重点督导</p>        <p>3. <strong>严重问题立即处理</strong>: 对严重程度为"高"的问题立即制定整改措施</p>    </div></body></html>"""    # 保存HTML报告    with open('质检分析报告.html', 'w', encoding='utf-8') as f:        f.write(html_content)    print("HTML报告已生成: 质检分析报告.html")