夜雨聆风
做审计的，谁没有被“重复劳动”折磨过？明明有想法有思路，但是被卡在海量的数据核对里，一翻就是好多年的数据，对着数据一条一条核对，重复无聊的机械数据，打开大文件软件就卡到怀疑人生……
这时候，真的可以请Python来搭把手。
审计工作中运用
Python到底强在哪？
它有一个“万能工具箱”生态——也就是各种库（Library），都是开发者社区提前封装好的现成功能。处理表格、算数、画图、爬网页、解析文档……你只需要简单调用，不用从零写底层代码，随取随用，像搭积木一样。
两个最实在的好处：
适用范围极广，几乎你能想到的数据操作都有对应工具
天生擅长“循环”——只要你能对一条记录写出处理逻辑，就能一键套用到几百上千条记录上，等几秒钟，活儿就干完了。
今天重点说：Python
怎么玩转表格数据
绕不开一个核心库——pandas。
pandas 到底是什么呢？
它是 Python 里专门“伺候表格”的神器——你可以把它想象成一个超级智能的Excel操作台，但不用鼠标点，全用代码控制。它核心的数据结构叫 DataFrame，长得就跟一张 Excel 工作表一模一样：有行有列有表头。
但它的本事可大多了：
几百万行的数据，它能一口气读进来，操作起来依然丝滑；
筛选、排序、分组、透视、合并、填补空缺……Excel 里你折腾半天的功能，它一行代码搞定；
还能自动识别数据类型，批量清洗异常值，甚至直接对接数据库、网页、JSON 等各种数据源。
如果那段介绍还不够清晰，那么我们在这里利用表格的形式将pandas库与手动操作Excel对比一下，感受会更直观：
Python在审计分析
中的应用案例
说白了，Excel里你手动能做的，Python基本都能用代码复现，下面直接上具体操作示例
以下是导入案例表格代码以及案例表格导入python后的表现：
1. 删除表格的第3行（按行号，从0开始）
df.drop(index=2, inplace=True)
*因为python中数字的计算是从0开始的，所以这里的代码中index=2
如果想按条件删除（比如金额为空的行）：
df = df[df['金额'].notna()]
2. 筛选出表格中所有包含“X”的所有行（假设筛选“摘要”列含“维修”）
df_filtered = df[df['摘要'].str.contains('维修', na=False)]
3. 把表格A和表格B合并成新表格C（纵向追加行）
df_C = pd.concat([df_A, df_B], ignore_index=True)
如果是按某列横向合并（类似VLOOKUP）：
df_F = pd.merge(df_D, df_E, on='ID', how='left')
4. 在表格A中加入新列c，其值为a列加b列
df['c'] = df['a'] + df['b']
*如果a、b是数字，直接相加；如果是字符串则会拼接，容易得到错误结果，所以务必先确认数据类型
5. 批量处理的真实场景
现在有一个文件夹，里面有一级子目录下的10个表格，还有一个Python文件。我们要把所有表格的a列和b列相加，生成c列，并保存为新文件。
极简代码（假设所有文件都是CSV格式）：
*如果是Excel文件，把read_csv换成read_excel，to_csv换成to_excel
今天我们把焦点放在了表格操作上，因为这是审计人最日常的战场。
但说实话，表格只是 Python 能力的开胃菜。
它还能帮你：处理图片、PDF 等多种格式文件，自动提取邮件信息并下载附件，批量画出高级图表……
尽管 Python 能实现的功能非常广泛，但依然有几个需要关注的地方，最后提醒两点：
代码跑不通先看报错信息，大部分时候是文件路径或列名写错了；
正式跑数据之前，先拿一小份样本测试，别直接怼原文件。
迈出第一步，没有想象中那么难。
本期特别鸣谢钰洁把我们日常审计工作中运用的python的一些方法总结分享，我们审计监察部门内部也定期开展了Python、Deepseek等实用工具在审计中运用的培训，欢迎大家加入“审计大课堂”群，进行分享讨论：
