企业官网建设流程全解析

先把结论放在前面：这篇标题里的“月薪3千”和“月薪3万”并不是指收入差距，真正说的是两种做事方式——一种是把数据当文本，靠眼睛看、靠手敲，一次做完，下次再来一遍；另一种是把数据当数据，用公式把规则固定下来，源数据一变，结果全部自动重算。

如果你每个月都要经历类似的事情：从系统导出订单、把商品单价一列一列贴进去、筛出某个客户的明细再复制到新表、把“浙江省/杭州市/西湖区”这种挤在一个单元格里的地址拆成三列、最后按客户和月份汇总金额——那么这篇文章就是写给你的。这套流程里最容易出错的地方，往往不在手速，而在于“出错之后没法回溯、改一个数要重做整张表”。

我会围绕 4 类最能把手工录入替换掉的函数能力展开：查找匹配、条件抽取、文本拆合、多条件汇总。每一类都给出 Microsoft 365 的新函数写法，也给出旧版本能用的降级方案；再补一段 Python + pandas 的等价实现，方便你在行数上到十万级时不用再局限于 Excel。读完后你可以直接照着改自己手头那张表，而不是只看一堆语法示例。

1. 这篇文章真正要解决的问题

先看一个很具体的场景。财务同事月底给你一份 800 行的订单明细，让你算出每个客户的应付金额。手上有两张参考表：商品价格表（商品编码、名称、单价）和客户表（客户编码、名称、区域）。纯手工的做法是：打开价格表，用眼睛找商品编码，复制单价，切回订单表，粘贴；800 行重复 800 次。中途被电话打断一次，回来就忘了贴到第几行，于是错位，后面全崩。

这不是态度问题，是工作方式的问题。手工录入的本质是“把一次性的结果写死在单元格里”，它有三个绕不过去的缺陷：第一，源数据更新后必须重做，价格表调了 5 分钱，800 行全部作废；第二，错误无法定位，你只能靠肉眼再扫一遍；第三，这套动作无法交给别人复用，换个人接手要从头学一遍你的操作习惯。

而函数式做法的本质是“把规则写进公式”。单元格里存的不是 89.00 这个数字，而是“根据商品编码去价格表里取单价”这条规则。规则一旦写好，改价格、加订单、换月份，都只是重算一次的事。这两者的差距，不在于谁更聪明，而在于产出物是“一份结果”还是“一台机器”。

所以这篇文章不打算只丢给你四个函数名。我会讲清楚每个函数解决的到底是哪一类重复劳动，它和传统做法相比变化发生在哪一层，以及在真实表格里怎么组合起来用、出错后怎么排查。如果你只是偶尔做一次十几个人的通讯录整理，那确实没必要上这套东西；但只要你每个月有那么一张需要反复维护的表，投入半小时把这套规则搭起来，回报率会高得超出预期。

2. 先明确定义：这 4 类函数分别是哪些

“4 个函数”这个说法在传播里被简化了，实际干活时更准确的说法是“4 类能力”。下面这张表是我在实操中最常用来替代手工录入的四组，每一组都对应一种高频的手工动作。

需要提前说明的是版本问题，这也是最多人踩的第一个坑。XLOOKUP 和 FILTER 属于动态数组家族，Excel 2019 及更早版本没有；TEXTSPLIT 出现得更晚，即使在 365 里也要求比较新的更新通道。如果你在公司电脑上敲=XLOOKUP(之后提示“函数名称无效”，基本可以确定是版本没到，而不是拼写错了。

好消息是这四类能力都有成熟的老函数可以顶上，而且逻辑完全一致。下面这张降级对照表建议先保存，遇到旧环境直接换写法，不要浪费时间怀疑公式本身。

选择从这四类入手，是因为它们覆盖了“录入型工作”的绝大部分内容。剩下的排序、去重、格式化，客观说更多影响观感，而不是影响数据正确性。先把这四类用明白，你的表就已经从“手工台账”变成“小型数据管道”了。

3. 环境准备与示例数据结构

为了让后面的公式可以直接复制运行，先约定一份最小可用的示例数据。打开 Excel 新建工作簿，建三个工作表，分别命名为订单明细、商品、客户。

商品表的字段是：商品编码、商品名称、单价、规格。客户表的字段是：客户编码、客户名称、区域、联系人、地址（地址刻意写成“浙江省/杭州市/西湖区”这种用斜杠分隔的混写形式，用来演示文本拆分）。订单明细表的字段是：订单号、日期、客户编码、商品编码、数量、备注。

关键的一步是把这三个区域都转成“表格对象”，操作方式是选中数据区域后按Ctrl + T，勾选“我的表格包含标题”，然后在“表格设计”选项卡里把表名分别改成tblOrders、tblProducts、tblCustomers。这一步不是可选优化，而是整套方案的地基。

原因是表格对象提供两个东西：一是结构化引用，公式里写tblProducts[单价]比写$D$2:$D$500可读得多，也不怕插入行之后区域错位；二是自动扩展，你在订单表下面接着敲新数据，所有引用它的公式会自动覆盖到新行，不需要手动往下拖填充柄。很多人公式写对了但结果不对，八成是因为区域引用被插行打断了。

如果你手头暂时没有数据，可以用下面这段 Python 脚本生成一份几百行的演示数据，跑完会得到一个demo.xlsx。脚本依赖openpyxl，先用pip install openpyxl装上。

# 文件路径：make_demo_data.py import random from datetime import date, timedelta from openpyxl import Workbook random.seed(42) products = [ ("P001", "无线鼠标", 89.00, "黑色"), ("P002", "机械键盘", 329.00, "87键"), ("P003", "显示器支架", 159.00, "单臂"), ("P004", "USB 集线器", 65.50, "4口"), ("P005", "笔记本内胆包", 49.90, "14寸"), ] customers = [ ("C001", "晨光科技", "华东", "张伟", "浙江省/杭州市/西湖区"), ("C002", "远航贸易", "华南", "李娜", "广东省/深圳市/南山区"), ("C003", "北方数码", "华北", "王强", "北京市/北京市/海淀区"), ("C004", "西部电子", "西南", "赵敏", "四川省/成都市/武侯区"), ] wb = Workbook() ws1 = wb.active ws1.title = "订单明细" ws1.append(["订单号", "日期", "客户编码", "商品编码", "数量", "备注"]) start = date(2024, 1, 1) for i in range(1, 301): p = random.choice(products) c = random.choice(customers) ws1.append([ f"SO{i:05d}", (start + timedelta(days=random.randint(0, 170))).isoformat(), c[0], p[0], random.randint(1, 30), random.choice(["", "加急", "含运费", "月结"]), ]) ws2 = wb.create_sheet("商品") ws2.append(["商品编码", "商品名称", "单价", "规格"]) for row in products: ws2.append(list(row)) ws3 = wb.create_sheet("客户") ws3.append(["客户编码", "客户名称", "区域", "联系人", "地址"]) for row in customers: ws3.append(list(row)) wb.save("demo.xlsx") print("已生成 demo.xlsx")

运行python make_demo_data.py，输出已生成 demo.xlsx就说明数据准备好了。打开文件后，记得按前面说的把三个区域都按Ctrl + T转成表格并改好表名，这是后续所有公式能直接跑通的前提。

4. 核心流程拆解：从“手工录入”到“规则重算”

在写具体函数之前，先把整件事的流程理清楚。很多人学函数的方式是背语法，结果一遇到真实表格就不知道怎么组合。更有效的方式是先想清楚数据要经过哪几个加工环节，再去找对应的函数。

我一般把这类表格处理拆成四步，顺序不能乱。

第一步是清洗与规范化，把挤在一个单元格里的信息拆开，把编码统一成同一套规则。这一步对应文本拆合函数。它必须放在最前面，因为后面的匹配全靠编码对齐，编码里多一个空格，XLOOKUP就会返回找不到。

第二步是关联补全，把分散在多张表里的信息拼到一起，订单表补上单价和客户名称。这一步对应查找匹配函数，也是替代手工复制粘贴最直接的环节。

第三步是条件抽取，从大表里按条件取子集，比如只导出某个客户、某个时间段的明细。这一步对应条件抽取函数，替代的是“筛选 → 复制 → 粘贴 → 取消筛选”这套动作。

第四步是聚合汇总，把明细按维度加总成报表。这一步对应多条件汇总函数。

这四步的价值在于它们是可以串联的。第二步算出来的“金额”列，会成为第四步的求和对象；第一步拆出来的“省份”列，会成为第三步的筛选条件。当你把这四步都写成公式之后，整张表就变成了一个只要源数据更新就能自动重算的管道。这跟“每次重新手工做一遍”的差别，不是效率高一点，而是工作性质变了。

这里要提醒一个容易被忽略的点：不要去改原始数据。原始表只做一件事——存事实。所有加工出来的列，都放在单独的“计算区”或者用公式现算。因为一旦你在原始列上覆盖了手工修正的值，下次数据更新重新导入时，这些修正就全丢了。这个原则听起来啰嗦，但它是这套方案能不能长期用下去的分水岭。

5. 完整示例：4 个函数逐个落地

5.1 XLOOKUP：把跨表复制粘贴变成一条规则

这是替代手工录入最立竿见影的一个。在订单明细表里新增一列“商品名称”，一列“单价”，一列“金额”，然后按下面的方式写公式。

= XLOOKUP([@商品编码], tblProducts[商品编码], tblProducts[商品名称]) = XLOOKUP([@商品编码], tblProducts[商品编码], tblProducts[单价], "编码不存在") = [@数量] * [@单价]

四个参数的含义依次是：要找什么、在哪一列里找、找到后返回哪一列的值、找不到时显示什么。最后一个参数是它比VLOOKUP好用很多的地方——默认情况下找不到会返回#N/A，一个红彤彤的错误值散落在几百行里非常扎眼；给个兜底值，表格立刻干净，而且你能靠这个提示去查哪几行的编码录错了。

把公式敲在第一个数据行之后，表格对象会自动把整列填满，不需要往下拖。如果没有自动填充，说明你的区域不是表格对象，回去按Ctrl + T补上。

旧版本环境用INDEX+MATCH，逻辑是“先用MATCH求出商品编码在第几行，再用INDEX按行号去取单价列”：

= INDEX(tblProducts[单价], MATCH([@商品编码], tblProducts[商品编码], 0))

这里真正容易踩坑的地方是MATCH的第三个参数。写0表示精确匹配，写1或省略表示近似匹配且要求数据升序排列。做编码匹配必须写0，否则会莫名其妙匹配到一个不相干的行，而且不报错。这个坑我见过太多次，表现为“结果看起来有值，但金额差了十万八千里”。

还有一个细节：XLOOKUP的第五、第六个参数能控制匹配模式。第五参数写0（默认）是精确匹配，写-1是精确匹配或下一个较小项，写2支持通配符；第六参数写-1表示从后往前搜，适合“取最后一次记录”这种场景。日常匹配保持默认即可，不要随意改动。

5.2 FILTER：把“筛选复制粘贴”变成一个活的子表

假设老板要“晨光科技的全部订单明细”。手工做法是筛选客户编码，选中可见行，复制，新建工作表，粘贴，再取消筛选。下次他要别的客户，重复一遍。这套动作做十次就浪费半小时。

在任意空白区域写：

= FILTER(tblOrders, tblOrders[客户编码] = "C001", "该客户暂无订单")

第一个参数是要返回的数据区域，第二个参数是条件（返回TRUE/FALSE的逻辑数组），第三个参数是条件全不满足时的占位内容。结果会自动“溢出”到下方若干行，形成一个动态更新的子表——源订单表新增一条 C001 的记录，这个子表立刻多一行。

如果需要多条件“与”关系，用乘号连接；需要“或”关系，用加号连接：

= FILTER(tblOrders, (tblOrders[客户编码] = "C001") * (tblOrders[数量] >= 10), "无符合条件的记录") = FILTER(tblOrders, (tblOrders[客户编码] = "C001") + (tblOrders[客户编码] = "C002"), "无符合条件的记录")

乘号在数组运算里等价于“并且”，加号等价于“或者”，这是动态数组的一个约定。别用AND()和OR()，这两个函数会把整个数组压缩成一个值，导致FILTER拿到的条件不是逐行的数组，结果直接报错。

FILTER最常见的报错是#SPILL!，意思是“溢出区域被挡住了”。原因通常是结果下方或右侧有非空单元格。解决办法是清空那个区域，或者干脆把公式放到一个全新的工作表里。这个错误其实是在保护你，防止结果互相覆盖，看到它先检查公式周围有没有残留内容。

旧版本没有FILTER，只能用高级筛选（数据 → 高级）或者数据透视表。两者的共同问题是不会自动重算，源数据变了要手动重新执行一次。所以如果你经常需要导出某个客户或某个时间段的明细，升级到一个支持动态数组的版本，收益是很实在的。

5.3 TEXTSPLIT 与 TEXTJOIN：把脏数据变成可计算的结构

真实业务里最难处理的一类数据，是“看起来像文本、其实是好几个字段挤在一起”。典型例子就是地址、姓名工号混写、用各种符号分隔的标签。这类数据不拆开，后面的匹配和汇总都没法做。

客户表里的地址是“浙江省/杭州市/西湖区”，拆成三列：

= TEXTBEFORE([@地址], "/") = TEXTAFTER(TEXTBEFORE([@地址], "/", 2), "/") = TEXTAFTER([@地址], "/", 2)

TEXTBEFORE取分隔符之前的部分，TEXTAFTER取之后的部分，第三个参数指定“第几个分隔符”。第二行的逻辑是“先取到第二个斜杠之前（浙江省/杭州市），再从这个结果里取第一个斜杠之后（杭州市）”，看起来绕，但很稳定。

如果分隔符数量不固定、可能有四段也可能有五段，用TEXTSPLIT一次性拆开更省事：

= TEXTSPLIT([@地址], "/")

它会按分隔符把所有片段横向溢出到相邻单元格。如果只想取前两段、多余的丢掉，可以外套TAKE或配合INDEX取列。这里要注意版本——TEXTSPLIT出现在较新的 Microsoft 365 更新里，如果你的版本不支持，退回“数据 → 分列”向导，代价是这一次的拆分结果被写死了，源地址变了不会跟着更新。

反方向的拼接用TEXTJOIN，它比用&逐个连接强的地方在于能自动忽略空值：

= TEXTJOIN("-", TRUE, [@省份], [@城市], [@区县])

第二个参数TRUE表示忽略空单元格。如果是用&拼接，中间某个字段为空就会出现“浙江省--西湖区”这种多余的分隔符，还得额外写IF判断，非常啰嗦。

在旧版本里没有TEXTSPLIT时，可以用LEFT+FIND组合拆第一段：

= LEFT([@地址], FIND("/", [@地址]) - 1)

思路是“找到第一个斜杠的位置，减一就是第一段的长度”。这个方法只适合分隔符一定存在的情况，如果某个单元格里没有斜杠，FIND会返回#VALUE!。所以稳妥的写法是外面套一层IFERROR，给个兜底值，而不是让错误值到处传染。

5.4 SUMIFS：把一次次累加变成一张活的报表

明细做完之后，最终交付物通常是一张汇总表：每个客户、每个月的金额合计。手工做法是筛选一个客户、筛选一个月，把金额列拖黑看状态栏的求和，抄下来，再换下一个组合。四个客户乘以六个月就是 24 次，中途抄错一个数，整张报表作废。

正确做法是先建一张“维度表”，把所有客户编码列出来（可以用UNIQUE从订单表里提取），然后写一条可以被拖拽复用的公式：

= SUMIFS(tblOrders[金额], tblOrders[客户编码], [@客户编码], tblOrders[月份], [@月份])

SUMIFS的参数永远是“求和区域在前，然后是成对的条件区域和条件”。这个顺序和SUMIF相反，是很多人第一次用就写错的地方，注意别混。

月份列如果没有现成的，可以加一个计算列：

= TEXT([@日期], "yyyy-mm")

TEXT的第二参数是格式代码，yyyy-mm会把日期转成“2024-01”这样的文本。用文本而不是日期，是因为SUMIFS做条件匹配时文本比较更直观，也不受日期序列值的影响。如果你坚持用日期做条件，条件写成">="&DATE(2024,1,1)配合"<="&DATE(2024,1,31)也可以，只是公式会长不少。

用UNIQUE生成维度列表的写法是：

= SORT(UNIQUE(tblOrders[客户编码]))

UNIQUE去重，SORT排序，两个函数都是动态数组家族的，结果会自动溢出。把这个溢出区域复制成值放到汇总表左侧，再在旁边写XLOOKUP把客户名称补上，一张能自动更新的汇总报表就成型了。

6. 运行结果与效果验证

公式写完不代表做对了。这类表格最危险的情况是“结果看起来正常，但数字错了”，所以必须有校验环节。我一般用三个层次的检查。

第一层是空值检查。匹配类公式最容易出的问题是“某些行没匹配上”。用一个计数公式看有多少行是空的：

= COUNTBLANK(tblOrders[单价])

如果结果不是 0，说明有订单的商品编码在商品表里找不到。这时候用FILTER把这些异常行揪出来看：

= FILTER(tblOrders[商品编码], tblOrders[单价] = "", "全部匹配成功")

第二层是总量对账。把明细的金额合计和源系统的总额对比，差异应该为 0：

= SUM(tblOrders[金额])

这个数字要跟你从业务系统导出的“订单总额”对上。对不上就说明中间某一环出问题了，可能是漏行、可能是某几行单价取错，也可能是数量列里有文本格式的数字被跳过了。

第三层是抽样比对。随机挑三到五行，手工按原始单据算一遍，和公式结果比对。这一步看起来笨，但能抓住逻辑性错误——比如你误把“数量”和“单价”的位置搞反了，总量对账可能碰巧对得上，抽样一看就露馅。

对于跑 Python 脚本的场景，验证方式更直接，用断言把不变量写进代码里：

# 文件路径：verify.py import pandas as pd df = pd.read_excel("result.xlsx", sheet_name="明细") # 1. 检查是否存在未匹配到单价的行 missing = df[df["单价"].isna()] assert missing.empty, f"存在 {len(missing)} 行未匹配到单价：\n{missing}" # 2. 检查金额列是否等于数量乘单价（容忍浮点误差） diff = (df["金额"] - df["数量"] * df["单价"]).abs() assert (diff < 0.01).all(), f"金额计算异常，最大偏差 {diff.max()}" # 3. 输出汇总结果 summary = df.groupby(["客户编码", "月份"], as_index=False)["金额"].sum() print(summary.to_string(index=False)) print("校验通过，总金额：", round(df["金额"].sum(), 2))

运行python verify.py，如果三行断言都没触发，最后打印出汇总表和总金额，就说明这一轮数据处理是正确的。如果触发了AssertionError，报错信息里会带上具体的行，直接回原表定位即可——这比肉眼扫八百行高效得多。

7. 常见问题与排查思路

下面这张表是我在实际使用中最常遇到的几类问题。遇到报错时先按“问题现象”对号入座，不要盲目改公式。

还有一个不报错但很恶心的问题：合并单元格。合并单元格会让筛选、排序、公式引用全部变得不可预测，因为只有左上角那个格子真正存着值，其他格子其实是空的。如果你的表里有合并单元格，理想做法是先取消合并，然后在需要重复显示的列上用“定位条件 → 空值 → 输入公式 → Ctrl + Enter”把空白补齐，之后再做任何计算。

8. 数据量上去之后：用 pandas 重做这四件事

Excel 在几千行规模下很好用，但到了十万行以上，公式重算会明显卡顿，FILTER溢出几万行也容易让文件体积失控。这种情况下不需要换工具，只需要换执行引擎，逻辑完全一样。下面这段脚本用 pandas 把前面四步重做了一遍，输出一个带汇总的 Excel 文件。

# 文件路径：pipeline.py import pandas as pd # 读取三张表 orders = pd.read_excel("demo.xlsx", sheet_name="订单明细", dtype={"客户编码": str, "商品编码": str}) products = pd.read_excel("demo.xlsx", sheet_name="商品", dtype={"商品编码": str}) customers = pd.read_excel("demo.xlsx", sheet_name="客户", dtype={"客户编码": str}) # 步骤一：文本拆分（对应 TEXTSPLIT） addr = customers["地址"].str.split("/", expand=True) customers["省份"] = addr[0] customers["城市"] = addr[1] if addr.shape[1] > 1 else None customers["区县"] = addr[2] if addr.shape[1] > 2 else None # 步骤二：关联补全（对应 XLOOKUP） df = orders.merge( products[["商品编码", "商品名称", "单价"]], on="商品编码", how="left", validate="many_to_one", ) df = df.merge( customers[["客户编码", "客户名称", "区域", "省份"]], on="客户编码", how="left", validate="many_to_one", ) # 未匹配到的行单独留存，便于排查 missing = df[df["单价"].isna()] if not missing.empty: missing.to_excel("missing.xlsx", index=False) print(f"警告：{len(missing)} 行未匹配到单价，已导出 missing.xlsx") # 计算金额 df["金额"] = (df["数量"] * df["单价"]).round(2) df["月份"] = pd.to_datetime(df["日期"]).dt.to_period("M").astype(str) # 步骤三：条件抽取（对应 FILTER） sub = df[(df["客户编码"] == "C001") & (df["数量"] >= 10)] print(f"C001 且数量>=10 的订单共 {len(sub)} 条，金额合计 {sub['金额'].sum():.2f}") # 步骤四：多条件汇总（对应 SUMIFS） summary = ( df.groupby(["客户编码", "客户名称", "月份"], as_index=False) .agg(订单数=("订单号", "count"), 金额合计=("金额", "sum")) .sort_values(["客户编码", "月份"]) ) # 写出结果，多个 sheet 放在同一个文件里 with pd.ExcelWriter("result.xlsx") as writer: df.to_excel(writer, sheet_name="明细", index=False) summary.to_excel(writer, sheet_name="汇总", index=False) sub.to_excel(writer, sheet_name="C001明细", index=False) print(f"处理完成，明细 {len(df)} 行，总金额 {df['金额'].sum():.2f}")

运行python pipeline.py，如果一切正常，终端会打印未匹配行数、条件抽取的条数和总金额，同时在当前目录生成result.xlsx。打开后你会看到三个工作表：全量明细、按客户和月份的汇总、以及 C001 的子集。

这段代码里有几个值得单独说的细节。dtype={"客户编码": str}是为了防止“C001”这种带字母的编码被推断成数值——如果编码是纯数字的“001”，pandas 会读成整数 1，前面的零就丢了，后续合并全部失败，这是 Excel 和 pandas 交互时最高频的坑之一。validate="many_to_one"则是让 pandas 在右侧存在重复键时直接报错，而不是悄悄做笛卡尔积把行数翻倍。加上这个参数，相当于给数据关系加了一道断言。

如果合并后行数变多了，八成就是这个问题：右侧表里有重复的编码。此时不要去改how参数，要回到源头清理重复项，用products["商品编码"].duplicated().sum()看一眼有多少重复，再决定保留哪一条。

9. 最佳实践与工程建议

把公式写对只是及格线，要让这套东西在团队里活下来，还得守几条规矩。

分层建模，不要让原始数据和计算结果混在一起。我的习惯是一个工作簿里至少有三类表：raw_前缀的原始导入表（只追加，不修改）、calc_前缀的计算层（全部是公式）、report_前缀的展示层（给人看的汇总和图表）。好处是任何时候发现结果不对，可以迅速定位是源数据的问题还是规则的问题，而不是在一锅乱炖里翻找。

所有查找匹配都要有兜底和异常出口。XLOOKUP的第四参数不是可选项，养成习惯一定要填。同时在表格旁边留一个“异常清单”区域，用FILTER把所有没匹配上的行实时展示出来。数据处理最怕的不是出错，而是错了没人知道。

关键公式要留注释。Excel 允许给单元格加批注，也允许在公式里用N()写说明，但更实用的做法是在计算层顶部专门留一行做表头说明，写清楚“这一列在算什么、依赖哪几张表”。三个月后接手的人（很可能就是你自己）会感谢这一行。

敏感数据要分清权限。客户信息、价格、成本这类表格，如果涉及多人协作，用“审阅 → 保护工作表”锁定公式区域，只放开录入区；文件本身放在有权限控制的目录里，不要随手发到公共群。涉及删除、批量替换、覆盖写出的操作，务必先复制一份备份，或者干脆在文件名里带上日期后缀。

版本兼容要提前确认。如果你做的模板要给同事用，而对方的 Excel 版本不确定，优先用SUMIFS、INDEX+MATCH、IFERROR这些老函数，牺牲一点简洁换取通用性。动态数组的公式自己用很爽，发给别人打开全是#NAME?就变成了事故。

把重复劳动脚本化。凡是“每个月固定做一次、步骤完全一样”的事情，都值得写成脚本或者至少做成带按钮的模板。判断标准很简单：如果这件事你已经连续做了三个月，那么第四个再手动做就是浪费。

最后一点，也是最容易被忽略的：不要为了用函数而用函数。如果你只是想把一列数据从 A 表搬到 B 表，一次性操作，做完就不管了，那复制粘贴反而是最优解，一分钟的事没必要花半小时搭公式。函数的价值在于“重复”和“变更”，只有当这两个条件成立时，投入才划算。

如果你想继续深入，往下走有几个明确的方向。一是把LET用起来，它允许你在公式内部定义中间变量，把那些嵌套了四五层的长公式拆成可读的分步计算，调试成本会大幅下降。二是学 Power Query，它把“导入 → 清洗 → 合并 → 加载”这套流程图形化并保存下来，比纯公式更适合处理多文件合并这种场景。三是把 pandas 那套脚本封装成命令行工具，加个参数就能换输入文件，从此彻底脱离手工点击。三条路选一条走下去，手头那些月底才想起来做的表，基本就再也不用碰了。