表格里那行合计，让求和结果多了 95%

版权与内容来源声明
本文为原创整理。文中涉及官方文档、开源仓库、论文与公开报道的内容，均在附表 A 中标注来源；引用官方原文保持原样，不作改写。文中命令、版本号与界面截图以本文成文时的实测/核验结果为准，标注「待验证」的部分请以你本地环境实际输出为判断依据。本文不推荐任何不合规的软件获取方式，也不对任何收益结果作承诺。转载请注明出处。

一、上线当天，那行合计把结果抬高了 95%

九点十分，财务把两个数并排贴进群里：系统报本期收入 6,787 万，账面 3,478 万。差 3,309 万，正好是账面数的 95%。上线第一版跑出来的就是这个数，没人预感到它会错，因为 6,787 万这个量级和上季度对得上，只是「多了一点」。

先把 95% 的口径钉死，否则标题就成了标题党。这张表是我自己构造的模拟导出件，用于复现取数逻辑，不是真实业务数据，但把真实导出里最常见的四种脏格式都放齐了：合计行、万元与元混排、千分位逗号、带百分号的占比列，外加合并单元格导出后留下的空单元格。真值 34,781,280 元是我逐行手算的，95.14% 是「正则抓全表数字直接求和」这一种取数方式相对真值的净偏差。脚本和原始输出都在work/exp1024/，下面逐字贴出。

这个偏差值得单独写一篇，是因为它不属于「大了一个数量级」那种一眼假的错。它大得刚好够让数字看起来仍然像个正常的季度收入，落在一个谁都不会立刻质疑的区间里。真正难查的错误从来不是离谱的那种。

先把这张表和真值钉死

表格是这样导出的：区域列只有每个区域的第一行有名字，后面两行是空的——那本来是合并单元格，导出成文本以后合并信息就没了；收入列 8 行明细里 6 行用元、2 行用万元；金额带千分位；客户数是整数；占比列带百分号；最后一行是合计。

手算真值只做一件事：每行把万元换成元，只算明细行的收入列。六个元行加起来 33,068,680；128.40 万元是 1,284,000；42.86 万元是 428,600。三项相加 34,781,280，与表里那行合计一致——这说明合计行本身没算错，错的是后面怎么用它。

把 95% 拆到行上，最大的一笔就是那行合计

先看每一行分别给「抓全表数字求和」贡献了多少误差。误差的定义很简单：这段代码在这一行里抓到的所有数字之和，减掉这一行对真值的真实贡献。

🧪 实测环境：Python 3.13.12 / macOS 27.0.1 / 仅用标准库（re），无第三方依赖

# -*- coding: utf-8 -*-"""逐行误差归因：方法①（正则抓全表数字求和）里，每一行给结果贡献了多少误差。 误差 = 该方法在这一行计入的金额 − 这一行对真值的真实贡献。 本文构造的测试表，用于复现取数逻辑，不是真实业务数据。 """importre RAW="""| 区域 | 渠道 | 收入 | 客户数 | 转化比例 | | 华东 | 直营 | 8,932,150 元 | 1,204 | 12.4% | | | 分销 | 5,120,880 元 | 986 | 9.8% | | | 线上 | 1,680,000 元 | 2,410 | 15.2% | | 华南 | 直营 | 6,340,200 元 | 1,102 | 11.6% | | | 分销 | 3,980,050 元 | 864 | 8.9% | | 华北 | 直营 | 128.40 万元 | 1,350 | 13.1% | | | 分销 | 42.86 万元 | 702 | 10.4% | | | 线上 | 7,015,400 元 | 1,880 | 14.8% | | 合计 | — | 34,781,280 元 | 10,498 | — |"""NUM=re.compile(r"\d[\d,]*(?:\.\d+)?")defcells(line):return[c.strip()forcinline.strip().strip("|").split("|")]defrow_sum(line):returnsum(float(x.replace(",",""))forxinNUM.findall(line))defto_yuan(s):m=NUM.search(s)v=float(m.group().replace(",",""))ifmelse0.0returnv*10000if"万元"inselsev LINES=[lforlinRAW.splitlines()ifl.strip()][1:]TRUTH=sum(to_yuan(cells(l)[2])forlinLINESif"合计"notincells(l)[0])got_total,truth_total,buckets=0.0,0.0,{"合计行":0.0,"万元行":0.0,"其余明细":0.0}rows=[]fori,lineinenumerate(LINES,1):c=cells(line)got=row_sum(line)truth=to_yuan(c[2])if"合计"notinc[0]else0.0err=got-truth key="合计行"if"合计"inc[0]else("万元行"if"万元"inc[2]else"其余明细")buckets[key]+=err got_total+=got truth_total+=truth label="{}/{}".format(c[0]or"（空）",c[1])rows.append((str(i),label,got,truth,err))defw(s):returnsum(2iford(ch)>0x1100else1forchins)defpad(s,n):returns+" "*max(0,n-w(s))print(pad("行",4)+pad("区域/渠道",16)+pad("①计入",16)+pad("真值",16)+pad("误差",16)+"折算百分点")print("-"*84)forno,label,got,truth,errinrows:print(pad(no,4)+pad(label,16)+pad("{:,.2f}".format(got),16)+pad("{:,.2f}".format(truth),16)+pad("{:+,.2f}".format(err),16)+"{:+.2f}".format(err/TRUTH*100))print("-"*84)print(pad("—",4)+pad("方法① 合计",16)+pad("{:,.2f}".format(got_total),16)+pad("{:,.2f}".format(truth_total),16)+"{:+,.2f}".format(got_total-truth_total))print()print("按来源分组：")fork,vinbuckets.items():print(" "+pad(k,14)+pad("{:+,.2f} 元".format(v),22)+"{:+.2f} 个百分点".format(v/TRUTH*100))

行 区域/渠道 ①计入 真值 误差 折算百分点 ------------------------------------------------------------------------------------ 1 华东/直营 8,933,366.40 8,932,150.00 +1,216.40 +0.00 2 （空）/分销 5,121,875.80 5,120,880.00 +995.80 +0.00 3 （空）/线上 1,682,425.20 1,680,000.00 +2,425.20 +0.01 4 华南/直营 6,341,313.60 6,340,200.00 +1,113.60 +0.00 5 （空）/分销 3,980,922.90 3,980,050.00 +872.90 +0.00 6 华北/直营 1,491.50 1,284,000.00 -1,282,508.50 -3.69 7 （空）/分销 755.26 428,600.00 -427,844.74 -1.23 8 （空）/线上 7,017,294.80 7,015,400.00 +1,894.80 +0.01 9 合计/— 34,791,778.00 0.00 +34,791,778.00 +100.03 ------------------------------------------------------------------------------------ — 方法① 合计 67,871,223.46 34,781,280.00 +33,089,943.46 按来源分组： 合计行 +34,791,778.00 元 +100.03 个百分点 万元行 -1,710,353.24 元 -4.92 个百分点 其余明细 +8,518.70 元 +0.02 个百分点

第 9 行那一笔是 3,479 万，比另外八行加起来都大。它并不神秘：那行合计被当成了第九条明细，于是整张表被加了两遍。剩下两个方向——两个万元行因为「128.40」被当成 128.40 元而少了 171 万，六个元行因为顺带把客户数和占比也加进来而多了 8,518 元。

一句判断：要找「谁把数字搞大的」，不用逐个单元格看，先看合计行那一笔的绝对值是不是和真值同量级。同量级就说明表格被加了两次。

误差互相抵消，才是它能活过上线评审的原因

如果只有一个方向的错，这事反而好办。多出来的正好是一整份合计，任何人扫一眼都会问「是不是加了两遍」。真正让它在评审里过关的，是 +100.03 和 −4.92 抵了一下，净剩 95.14——一个「像是口径差异」的数。

这也是我后来定下的第一条判断：两个方向相反的取数错误同时存在时，你不会得到「错得更明显」，只会得到「错得更像真的」。所以「偏差不大」不能当成「逻辑没问题」的证据，偏差小的组合恰恰是最难拆的。

同一个问题在公开评测里也一直是短板。金融财报的混合表格问答基准 TAT-QA 里，最好的模型拿到 58.0 F1分数，人类专家是 90.8（见附表 A 第 1、2 条）；FinQA 的摘要写得更直接——预训练模型在金融表格的多步数值推理上「fall far short of expert humans」（第 3 条）。差距不在「会不会加」，而在「该加哪些单元格」；这一步的判断，模型和我那版脚本犯的是同一类错。

后面四章是同一张表的四道闸门，顺序不能换。每道闸门都建立在前一道的产物上：行定性决定哪些行算明细，单位归一作用在明细上，补空值作用在明细的维度列上，列角色决定哪几列能进求和。很多人会说「加个校验就行」，但校验解决不了这类问题——校验的对象还没定出来。

二、第一道闸门：先给每一行定性，再谈求和

求和之前必须先知道每一行是明细还是汇总，否则合计行会变成第九条明细。

四道闸门的分工先摊开。下面这张表里「单独漏掉它」那一列，是把另外三道都装好、只留一个缺口跑同一张表得到的偏差——四个数由work/exp1024/p04_ablate.py打印，与本篇两段脚本用的是同一张表、同一套换算。

四道一起漏是 95.14%，不是把四个数相加——第 1 行和第 2 行方向相反，抵掉了一部分。标题里那个 95% 就是四道全漏的净偏差。

合计行不是数据，是校验器

把汇总行从「参与求和」改成「参与对账」，是第一道闸门要建立的唯一习惯。它的正确用法是：明细行求和得到 X，合计行给出 Y，检查 X 是否等于 Y。相等才继续往下走；不相等就停下来问导出方，问题在口径不在代码。

识别汇总行不能只靠匹配「合计」两个字。真实导出里它可能写成「合 计」（中间有空格）、「总计」、「小计」、「其中：线上」、「Total」，也可能因为合并单元格而只剩一个空的首列加一行加粗。可靠的判据有两个：一是位置与形态，二是算术关系——这一行的金额是否等于它上面连续若干行的和。第二个判据比第一个硬，因为它不依赖文案。

漏掉这道闸门的代价是 +100.00%，也就是 6,956 万对 3,478 万。这个数量级一旦被看到就会被修，所以它反而是四道里最安全的一个缺口。

只装这一道门，结果从 +95% 翻到 −56%

这是全文我最想让你记住的一段。同一张表、同一段抓数代码，只把合计行剔掉，结果不是变准，是变成另一个方向的错。

🧪 实测环境：Python 3.13.12 / macOS 27.0.1 / 仅用标准库（re），无第三方依赖

# -*- coding: utf-8 -*-"""三种取数逻辑对比：合计行 / 万元与元混排 / 千分位 / 百分比列 / 合并单元格留空。 本文构造的测试表，用于复现取数逻辑，不是真实业务数据。 """importre RAW="""| 区域 | 渠道 | 收入 | 客户数 | 转化比例 | | 华东 | 直营 | 8,932,150 元 | 1,204 | 12.4% | | | 分销 | 5,120,880 元 | 986 | 9.8% | | | 线上 | 1,680,000 元 | 2,410 | 15.2% | | 华南 | 直营 | 6,340,200 元 | 1,102 | 11.6% | | | 分销 | 3,980,050 元 | 864 | 8.9% | | 华北 | 直营 | 128.40 万元 | 1,350 | 13.1% | | | 分销 | 42.86 万元 | 702 | 10.4% | | | 线上 | 7,015,400 元 | 1,880 | 14.8% | | 合计 | — | 34,781,280 元 | 10,498 | — |"""defcells(line):return[c.strip()forcinline.strip().strip("|").split("|")]deffirst_num(s):m=re.search(r"\d[\d,]*(?:\.\d+)?",s)returnfloat(m.group().replace(",",""))ifmelse0.0defto_yuan(s):v=first_num(s)returnv*10000if"万元"inselsev ROWS=[cells(l)forlinRAW.splitlines()ifl.strip()]BODY=ROWS[1:]# 手算真值：逐行把万元换成元，只算明细行的收入列TRUTH=sum(to_yuan(r[2])forrinBODYif"合计"notinr[0])# ① 正则抓全表数字直接求和（带千分位处理）M1=sum(float(x.replace(",",""))forxinre.findall(r"\d[\d,]*(?:\.\d+)?",RAW))# ①-变体 正则只写 \d+，千分位被切成三段M1B=sum(float(x)forxinre.findall(r"\d+",RAW))# ② 剔除合计行后，按区域汇总（空区域被视为无归属行丢掉，单位不归一）M2=0.0forrinBODY:if"合计"inr[0]orr[0]=="":continueM2+=first_num(r[2])# ③ 单位归一 + 剔除合计行 + 区域向下补齐 + 只取收入列M3,last=0.0,""forrinBODY:if"合计"inr[0]:continuelast=r[0]orlast# 合并单元格留空：用上一行的区域名补上M3+=to_yuan(r[2])defw(s):returnsum(2iford(ch)>0x1100else1forchins)defpad(s,n):returns+" "*max(0,n-w(s))defdev(x):return(x-TRUTH)/TRUTH*100print(pad("口径",24)+pad("结果（元）",18)+"偏差")print("-"*56)forname,valin[("① 全表数字直接求和",M1),("①-变体 \\d+ 不认千分位",M1B),("② 剔合计后按区域汇总",M2),("③ 归一+剔合计+补空值",M3)]:print(pad(name,24)+pad("{:,.2f}".format(val),18)+"{:+.2f}%".format(dev(val)))print(pad("真值（逐行手算）",24)+pad("{:,.2f}".format(TRUTH),18)+"—")print("-"*56)print("③ 与真值之差：{:,.2f} 元".format(M3-TRUTH))

口径 结果（元） 偏差 -------------------------------------------------------- ① 全表数字直接求和 67,871,223.46 +95.14% ①-变体 \d+ 不认千分位 11,314.00 -99.97% ② 剔合计后按区域汇总 15,272,478.40 -56.09% ③ 归一+剔合计+补空值 34,781,280.00 +0.00% 真值（逐行手算） 34,781,280.00 — -------------------------------------------------------- ③ 与真值之差：0.00 元

方法②是「只装上第一道闸门」的样子：合计行剔掉了，但空区域的 5 行被当成无归属数据丢了，万元行也还在被当成元。结果从 +95.14% 变成 −56.09%，绝对值还变大了。这就是工程上最难查的一类改动：它修掉了一个你能看见的错，同时激活了两个你看不见的错，而改完以后数字「变了」，很容易被当成「修好了」。

方法①的那条变体单独说一句：正则写成\d+（不认千分位），8,932,150 会被切成 8、932、150 三段，全表结果掉到 11,314，偏差 −99.97%。这个错法反而安全，因为数字小到没人会信。

三、第二、第三道闸门：单位先归一，空值先补齐

单位不一致和空值这两件事，单独看都比合计行轻，但一个方向是反的，另一个会让整行数据凭空消失——装完第一道门之后，剩下的错就藏在这两处。

单位词经常藏在合并单元格里

第一道闸门筛出来的明细行，收入列里同时存在「元」和「万元」。正确的做法不是写一个「数值 + 单位」的解析器，而是先把单位词抽成一个独立字段，再用数值乘因子：元乘 1，万元乘 10000。数值和单位分开之后，「这行到底是什么单位」就能被单独检查、单独报错。

这一节真正要记的不是换算，而是单位词缺失时不许默认成「元」。真实导出里，单位往往只在合并单元格的第一行写一次，或者在表头上写一次（「金额（万元）」），下面的行全是裸数字。这时候空着的行继承的是上面那个单位，不是默认单位。默认成「元」，就是把 128.40 万元的 1,284,000 记成 128.40 元——本表里这一条吃掉了 171 万。

这个现象在公开数据集上被当成表格问答的固有难点。半结构化的表格本来就没有统一表示，单元格里可以塞「北京，中国」这种复合内容，也可以塞「200 km」这种数值加单位（见附表 A 第 4 条，ACL 2015 的 WikiTableQuestions）。对模型来说这是语义歧义，对脚本来说这是默认值选错了——两者是同一个坑的两个入口。

向下填只能用在维度列

合并单元格在导出成文本之后，就是一个空单元格。这不是某个库的缺陷，是纯文本表格表达能力的边界：GFM 规范里，数据行的单元格数量少于表头时，「empty cells are inserted」，也就是说合并信息根本无处可放，只能变成空格。

不补这 5 个空区域会怎样：16,556,350 元，偏差 −52.40%，因为按区域汇总时它们找不到归属，被整行丢掉。补的方法在 pandas 里叫ffill，官方定义是「用上一个有效观测向前填充」（见附表 A 第 6 条），还带一个limit参数限制连续填充的个数。

但这条规则有个必须写死的限制：ffill只对维度列做，不对度量列做。对金额列向下填，会把上一行的钱复制到下一行，造出一笔不存在的收入——比丢行更难发现，因为总额看起来更「完整」。合并单元格在业务上只表达「这几行属于同一个区域」，从不表达「这几行的金额一样」。

还有一个边界值得单独校验：如果某个区域的合并块被分页截断，块首那行可能是空的，ffill会把上一个区域的名称填给它。所以补完之后要加一条检查——每组的首行必须是一个新的区域名，出现空首行就报错，而不是默默填上。

四、第四道闸门：只让金额列进求和

一张表里能相加的列通常只有一列，其余列都是「看着像数字」的东西。

本表的客户数列和占比列给结果贡献了 10,594.20 元，偏差 +0.03%，是四道闸门里最小的一笔。这个数按行拆开是两块：六个元行 8,518.70 元，两个万元行 2,075.50 元——第一章那张逐行归因表里只有前一块，因为后一块已经算进「万元行」那一组了。单独看它没有杀伤力，但它是唯一一类「永远不会被发现」的错误：每行多出 1,216 元这种量级，被当成四舍五入放过，行数一多就变成一条恒定的系统性偏移。合计行那 3,479 万会被财务抓出来，这 10,594 元不会——它只会让你每次对账都差一点点，永远差一点点。

五类列角色，只有两类可以相加

给每一列声明角色，比判断「这个单元格是不是数字」可靠得多。我按取数需要把列分成五类：维度（区域、渠道、月份）、金额（收入、成本）、数量（客户数、订单数）、占比（同比、转化比例、毛利率）、编号（合同号、SKU）。求和的白名单只放金额和数量。

占比列的处理要单独说：它不能相加，只能加权。把 8 个渠道的转化比例直接加起来得到 96.2%，这个数没有任何含义；要还原整体的转化比例，分子分母都得回到金额或数量上去算。本表的 96.2 就是「直接相加」的产物，它进了总额，而它本来连加都不该加。

判别的依据也可以用列内形态兜底：整列都带百分号、整列都是长度固定的短整数、整列都是字母数字混合，这三种基本可以排除在求和之外。形态只是兜底，列头才是主判据——因为形态会被一行异常值破坏，而列头是导出方给的契约。

千分位是最好发现的那一类，也是最容易漏的

千分位属于「处理对了没有收益，处理错了立刻爆炸」的那一类。本表里正则写\d+，结果掉到 11,314 元，偏差 −99.97%，任何人看一眼都会退回重写。所以它反而是四类脏格式里最不需要担心的。

官方库的做法是把千分位当成一个声明式的参数，而不是事后replace：pandas 的read_csv有一个thousands参数，定义就是「数值中充当千分位分隔符的字符」（见附表 A 第 7 条）。声明式的好处是它能和类型推断一起生效，不会出现「先替换再转数字、结果把负号或小数点也吃掉」的连锁问题。

顺带说一个同源的坑：这个坑在多语言环境里更常见——有些区域用逗号做小数点、用句点做千分位。如果你的表来自多个区域，thousands和decimal必须成对声明，只声明一个会让数值静默错位。

取数脚本与复核用例：本篇两个脚本、单因素消融脚本，以及这张测试表的四道闸门检查用例，我放在资料包里，扫码即可获取：

五、这套闸门的最小基建，和什么时候该停手

四道闸门不需要框架，需要的是四样很小的东西：一张列角色表、一次行定性、一份单位字典、一条对账断言。

列角色表就是每列属于五类里的哪一类，写在读表代码的最前面，别散落在业务逻辑里。行定性就是给每行打一个row_role（明细 / 小计 / 合计），汇总行只进对账管道。单位字典很小，元 1、万元 10000、亿元 100000000，缺一个词就抛错，不猜。对账断言是一行判断：明细和与合计行的差，必须小于容差。

容差不是随手写的 1。它由合计行的精度决定：合计写成「34,781,280 元」时容差可以是 1 元；写成「3,478.13 万元」（两位小数的万元）时，单个单元格的舍入误差上限就是 0.5 × 10000 × 0.01 = 50 元。容差取错方向，要么天天误报，要么真错也放过去。

什么时候不该走这条路

如果数据源本来就有结构化接口——数据库表、HTTP 接口、xlsx 里的原始单元格——不要走「从表格文本里抓数」这条路。这四道闸门全部是为「只能拿到一张排版过的表」准备的，有类型的字段直接取值，四道门一道都不需要。判断依据很简单：能不能拿到「某行某列的原始值」，能拿到就别抓文本。

只有输入是 PDF、截图、别人发来的合并单元格版 xlsx、网页表格时，这套闸门才有意义。而这时候闸门的顺序也不能换：先定行，再定单位，再补空值，最后选列。反过来做会出具体问题——先补齐再剔合计，合计行那个空区域会把上一区域的名称拉到自己头上，于是「按区域对账」多出一行无主数据。

最后给一张停手表，四个条件同时满足就可以收工，任何一个不满足就继续查，别急着上业务：

回到那 95%

那 95% 不是一个算术错误，是四次「这行应该也算吧」的叠加：合计行「应该也算」、万元「不用换」、空区域「跳过就行」、客户数「反正是数字」。四次判断单独看都说得过去，合起来就是一个让财务退单的数。

可执行的那一条判断是这样：如果你的取数链路上同时出现「合计行」和「金额列里有两种单位」，先把这张表的四行抄进代码再上线，别等对账；如果两者都没有、输入又来自结构化接口，那这件事不值得花时间，把精力放回业务口径上。最该停手的时候，是合计行与明细和对不上的时候——那不是代码问题，是口径问题，改代码只会把错藏得更深。

表格取数的对照清单：上面这张停手表和四道闸门的判据，我整理成了一页速查，和本篇两个脚本放在一起，扫码即可获取：

附表 A：本文引用事实与出处对照表

写在最后：这篇用到的资料

写这篇文章时，把相关的官方文档和源码又翻了一遍，顺手也整理了几份配套的东西：

• 大模型学习路线图：从零基础到能自己动手做 Agent，按阶段说明每一步该学什么、哪些可以先跳过
• 《LangChain + LangGraph + MCP 智能体开发实战》视频课：7 个模块，从私有化部署、Embedding+RAG 到 MCP+Agent 全流程
• AI 大模型知识库（在线可查）：Agent Skills 从入门到落地、Claude Skills 完全指南等专题，按目录浏览即可
• 640 套 AI 大模型行业报告 + 经典 PDF 书籍：看行业落地案例和别人怎么做的时候用得上
• 大模型零基础到精通教学视频：跟着敲一遍，比只读文档快得多

资料是我自己整理的，放在下面这个码上，扫码即可获取：

添加时备注「AI」，优先通过。

资料按「先路线、再动手、最后查漏」的顺序整理好了，建议先看学习路线那一份，照着它挑一条适合自己当前基础的路径再往下看。