手机与座机号提取及删除

从函数到AI的技术进化之路

技术演进与实战经验享

一、开篇：函数公式的传统解法

在处理Excel数据时，提取手机号和座机号是一个常见的需求。传统的方法是使用函数公式来实现。

图-01 开篇任务 - 函数公式提取

如图所示，原始数据在A列，包含混合的手机号和座机号，用分号分隔。B列提取手机号，C列提取座机号。

传统函数法的痛点

• 每次需要重查资料回忆公式语法
• 一个括号错误就会导致整个公式崩溃
• 数据格式稍有变化就需要重写公式
• 学习成本高，每次使用都要重新学习

二、进阶：大数据量的挑战

当数据量从几十行增加到几千行时，函数公式的方法就显得力不从心了。

图-02 大数据量提取 - AI任务

任务需求：从A列和B列提取手机号码和座机号码，去除重复数据，并标记每个号码出现的次数。

图-03 大数据量提取 - AI任务与模拟结果

结果展示：手机号和座机号被成功提取到D列和F列，并在E列和G列标记出现次数。

大数据量处理的难点

• 函数处理大量数据时计算缓慢
• 手动处理容易出错且耗时
• 需要更高效的自动化方案

三、AI解决方案：让机器理解你的需求

3.1 任务对话过程

图-04 大数据量提取 - AI任务开头对话

用户只需要用自然语言描述需求：

"我想让你帮我写一段新的VBA代码。我的需求是把我的数据中的手机号码和座机号码提取出来，并把数据去除，重复数据。给各个号码标记出来出现的次数。"

AI理解需求后，自动生成VBA代码并执行。

3.2 执行结果验证

图-05 大数据量提取 - AI任务结果

执行结果：

• ✓ 宏执行成功，无报错
• ✓手机号总数：2591个
• ✓ 座机号总数：114个
• ✓ 去重统计逻辑正确
• ✓手机号判断（11位以1开头）正确
• ✓座机号判断（含-）正确

与模拟结果比对：模拟数据覆盖了数据前约50行，全量数据有200+行。手机号部分前48个完全匹配；座机号部分前42个完全匹配，后7个因数据量级不同产生错位，属于正常差异。

四、更复杂的挑战：灾难性任务

当数据格式更加混乱时，比如从Word复制到Excel后的混乱状态，AI还能否应对？

图-06 灾难性任务 - AI任务开头

场景设定：数据源包含姓名、单位、职务和电话号码混合在一起，格式混乱且毫无规律：

• 曹操:魏王府丞相;13800000001
• 司马懿，魏王府太尉兼大将军，13900000002
• 荀彧:尚书令;010-66668888

挑战目标：在这种极端混乱的数据格式下，让AI通过自然语言理解，自动识别并提取姓名、单位及职务、联系电话（手机和座机）。

🎯 能力边界探索

这是一个极具挑战性的场景，考验AI处理非结构化数据的能力边界。

五、技术对比：各种方法的优劣分析

图-07 数据处理 - 各种技术优劣对比

六、总结：AI时代的效率革命

从函数公式到手写代码，再到AI辅助编程，数据处理的方式正在发生革命性的变化。

传统方式的问题

1. 学习成本高，需要记忆大量语法
2. 容错能力低，一个小错误就会导致失败
3. 需求变更时需要重写，费时费力
4. 团队交接困难，代码难以维护

VBAYYDS语音编程助手

1. 零学习成本：
   说人话就能让AI理解需求
2. 全自动处理：
   从代码生成到执行到验证，一气呵成
3. 智能容错：
   AI自动读取错误日志并修复
4. 需求变更简单：
   继续对话，AI直接修改
5. 可追溯性：
   对话记录和工程文件完整保存

未来已来，动动嘴就能编程的时代已经到来。