简介面向金融研究、投资分析与学术写作人群提供1990年至2024年6月沪深北A股上市公司偿债能力季度财务指标数据的网盘下载链接及字段说明文档。文件包仅含1个docx大小约51KB文档内置百度网盘链接与提取码同时列出dta、Excel两种数据格式的完整变量字典其中dta格式便于Stata等计量软件直接调用Excel格式方便Excel、SPSS等工具进行筛选与透视分析。目前已有112人学习。指标覆盖流动比率、速动比率、现金比率、营运资金、资产负债率、权益乘数、产权比率、利息保障倍数、经营活动现金流量净额对负债或带息债务的保障程度等二十余项常见偿债指标按季度频率整理并附股票代码、行业代码、报表类型等关键匹配字段数据范围涵盖沪深北证券交易所上市公司A股主板、创业板、科创板等板块便于进行公司间横向比较、面板数据构建与财务风险预警分析适合作为会计、金融、大数据相关课题的基础数据来源。1. 从“偿债能力1990-202406”这个文件名说起这个标题把三类信息一并塞进了一个文件名对象是上市公司财务指标口径是偿债能力时间窗是1990年到2024年6月。当你从网盘共享链接里拿到这份 docx 时真正的问题不是“能不能打开”而是“能不能用”。打开以后大概率是一个几万行的宽表最上面是大标题第二行写着“单位万元”第三行才是指标名后面跟着数百家公司在三十多年里的资产负债表科目且科目名是中文报告期还不统一。这种表格可以回答“某公司流动比率为什么在2023年异常”但不能直接丢进量化脚本里跑回归。本文按处理历史财务底稿的常见做法走一条“校验文件 → 拆开解析 → 重建结构 → 清洗对齐 → 增量维护”的流程把这份 docx 还原成带证券代码、报告期、统一指标口径的数据库表。核心前提是链接会失效文件会更新只有把解析和清洗流程留在本地数据才真正属于你。2. 拆分网盘拿到的docx先确认它装着能用的偿债能力表2.1 别急着重命名先用 zipfile 看内部结构docx 不是纯文本文档本质是一个 zip 压缩包正文全部塞在word/document.xml里。几十 MB 的 docx 用 Word 打开要卡十几秒原因就是 Word 要把整张几万行的表格从 XML 渲染成交互表格而 XML 里还带着大量样式、字体、合并单元格标记。处理这种文件第一步永远是用脚本先看结构而不是双击打开。先拿到文件后做一次基础体检确认网盘下载的副本没有在传输中断掉ls -lh 上市公司财务指标偿债能力1990-202406.docx unzip -l 上市公司财务指标偿债能力1990-202406.docx | head -30ls -lh可以看文件体积是否合理比如一份覆盖 34 年、几百家公司宽表的 docx体积通常在 10MB 以上如果只有几百 KB大概率是网盘分享页面或者链接说明文档而不是数据本体。unzip -l列出 zip 内部目录如果命令报“不可识别的压缩格式”说明文件头已损坏别继续往下做。为了校验下载完整性我一般会在两个时段分别下载一次然后比对 SHA-256import hashlib target 上市公司财务指标偿债能力1990-202406.docx sha hashlib.sha256() with open(target, rb) as f: for chunk in iter(lambda: f.read(1024 * 1024), b): sha.update(chunk) print(sha.hexdigest())这段脚本分块读取大文件不占内存跑完后把哈希值记下来。两份下载副本的哈希一致才能判断数据文件完整。哈希不一致时优先重下不要直接用损坏文件去解析否则后续行数、缺失率全部失真。2.2 用 python-docx 确认表格入口和规模内部结构确认无误后用python-docx打开文档只看表格数量与第一个表的行列规模from docx import Document doc Document(target) print(文档中的表格数量:, len(doc.tables)) if doc.tables: t doc.tables[0] print(第一个表行数:, len(t.rows)) print(第一个表列数:, len(t.columns))注意len(doc.tables)只统计 Word 正文中的表格对象不含嵌在文本框、页眉页脚里的表格。如果doc.tables为空先别急着报错大概率数据是被放进文本框或者被拆成多个连续表格了后面按顺序遍历即可。len(t.rows)这里有一个容易踩的坑Word 的表格行数不一定等于你看到的数据行数。同一行里存在纵向合并单元格时rows计数正常但某些单元格在下一行继续出现导致后面解析时列错位。这个问题的处理放到第三章讲这一阶段只需要确认规模在一个数量级内。2.3 写一份文件体检清单文件从网盘落到本地后建议先跑一遍体检清单把结果存成check_result.txt方便后续追溯。清单如下检查项判断方式通过标准文件体积os.path.getsize()大于 1MB压缩包可用zipfile.is_zipfile()返回 True表格数量len(doc.tables)大于 0首表行数len(t.rows)大于 100首表列数len(t.columns)大于 10SHA-256两次下载比对完全一致为什么要把这一步单独拎出来因为网盘共享链接维护文件时通常是整体替换很少有人做增量补丁。你今天拿到一个1990-202406的版本下个月可能就变成1990-202407如果不清掉旧缓存解析脚本很容易把旧文件当新数据处理。把体检脚本保存为check.py每次下载新文件后先跑一遍比直接进解析步骤更稳。3. 解析偿债能力表格表头错位与合并单元格的拆解3.1 第一个坑表头往往不在第 0 行这类由整理者手工输出再转存为 docx 的报表格式非常统一第一行是大标题“上市公司财务指标偿债能力明细表”第二行是“单位万元”第三行才是指标名。如果你直接把rows[0]当表头后面所有列名都会变成标题文字或单位说明。定位表头的常见做法是找“证券代码”出现的那一行“证券代码”是财务指标表里最稳定的列名基本不会改名from docx import Document doc Document(上市公司财务指标偿债能力1990-202406.docx) table doc.tables[0] def locate_header_row(table, marker证券代码): for idx, row in enumerate(table.rows): cells [cell.text.strip() for cell in row.cells] if marker in cells: return idx, cells raise ValueError(未找到包含 {} 的表头行.format(marker)) header_idx, header locate_header_row(table) print(表头所在行:, header_idx) print(表头内容:, header[:8], ...)这里特意把表头行号打印出来而不是直接假设第 0 行。你会在实际操作中发现有些版本的表头前面还多一行“数据来源XX数据库”这时header_idx会自动落到正确位置。参数marker也可以改成“证券简称”或“报告期”但“证券代码”最常见且不会因为公司改名而变化。提示如果文档里有多个表格别默认tables[0]就是主表。先打印每个表的行列数找到行数最大的那个再用定位函数确认它是否真的是偿债能力表。3.2 合并单元格会让行列结构失真第二个大坑是合并单元格。python-docx 的row.cells在单元格横向合并时会返回多个Cell对象但这些对象指向同一个底层 XML 节点。也就是说你拿到的一行 20 列实际可能是 18 个独立单元格加 2 个合并单元格读取时文本会重复出现转成 DataFrame 后列数对不上。解决这类问题要回到单元格的 XML 节点去判断是否同一个def row_values(row): values [] prev_tc None for cell in row.cells: tc cell._tc if tc is prev_tc: values.append() else: values.append(cell.text.strip()) prev_tc tc return values要点在于cell._tc是单元格的底层CT_Tc对象横向合并后多个网格位置共享同一个_tc。遇到本次与上一次是同一个节点时就补一个空字符串保证返回列表长度与本行列数一致。纵向合并且另说它通常表现为上方主行下方的格子为空需要靠“上一非空值向下填充”处理。填充逻辑放在整个表格层面处理更稳妥def normalize_table(table): grid [row_values(row) for row in table.rows] # 纵向合并当前格为空上一行同列有值时向下带出 for r in range(1, len(grid)): for c in range(len(grid[r])): if grid[r][c] and grid[r - 1][c] ! : grid[r][c] grid[r - 1][c] # 横向合并同一行内空白格填左侧最近非空值 for r in range(len(grid)): last for c in range(len(grid[r])): if grid[r][c] ! : last grid[r][c] else: grid[r][c] last return grid横向填充会覆盖真正的空白数据因此这个函数只适合在数据区所有字段都有实际含义的表结构中用。如果某些科目确实允许为空建议在处理完后把空字符串批量转成None。纵向填充的逻辑更适合“证券代码”这种跨行重复值它能保证每个报告期的代码都带出来不需要再做一次ffill。3.3 过滤单位行与空行用证券代码列当准绳表头确定后把数据区按表头行切出来先别急着用先做一次粗过滤import pandas as pd grid normalize_table(table) data_rows grid[header_idx 1:] df pd.DataFrame(data_rows, columnsheader) # 去掉完全无数据的行 df df[df[证券代码].notna() (df[证券代码] ! )] # 报告期列统一为字符串后续再转日期 df[报告期] df[报告期].astype(str).str.strip()这里过滤依据是证券代码列因为它不可能为空。单位行“单位万元”会被当作一行数据进入 DataFrame但其证券代码为空所以直接被过滤掉。空行同理。如果本表中存在“合计”行证券代码列也为空同样会被清洗走不影响主数据区。如果数据是宽表此时每一行已经是一支股票的一个报告期。建议先用df[证券代码].nunique()看覆盖了多少家公司再按年份分组看每年有多少条数据。今年与去年数量级差异过大时大概率是报告期口径变了先排查再继续。3.4 宽表与长表怎么选解析完得到的宽表列结构类似“证券代码、报告期、流动资产合计、流动负债合计、存货、货币资金……”。宽表方便人阅读但在分析阶段面板数据更适合长表。转长表时保留关键标识字段df_long df.melt( id_vars[证券代码, 报告期], var_name指标名称, value_name数值 ) df_long df_long[df_long[数值] ! ]宽表适合做横截面比较比如取某一年全部公司算流动比率分位数长表适合做面板回归、公司固定效应模型和增量更新。之后所有清洗逻辑都应该在长表上做因为缺失值、重复值、异常值都能用groupby统一处理。做完这一步你已经把 docx 变成了可分析的 DataFrame但这只是开始。原始科目里很可能混着“(1,234.56)”这种带括号的负数和“3.20%”这类带百分号的字符串下一章统一清洗。4. 清洗与指标重算把原始科目还原成偿债能力口径4.1 报告期统一为 ISO 日期手工整理的表格里报告期格式五花八门“1990-12-31”“1990/12/31”“1990年12月31日”“1990-12-31 0:00:00”。不统一的话排序和增量更新都没法做。df_long[报告期] ( df_long[报告期] .str.replace(年, -, regexFalse) .str.replace(月, -, regexFalse) .str.replace(日, , regexFalse) .str.replace(/, -, regexFalse) .str.split( ).str[0] ) df_long[报告期] pd.to_datetime(df_long[报告期], errorscoerce)转换后用df_long[报告期].dt.year.value_counts().sort_index()检查每年数据量。如果某年数据突然多出一批季报说明源文件里报告期带季度标志例如“1990Q4”这类格式不会自动转换会变成NaT。遇到NaT行先打印出来看原始值再决定补充转换规则还是直接丢弃。注意errorscoerce参数会把无法解析的日期变成NaT而不是直接抛异常中断整个脚本。大表解析时我建议保留这个参数因为一份文件里混着几行脏数据太常见了先转完再排查比中断循环处理更节省时间。4.2 数值清洗千分位、括号负数、百分号财务软件导出的数字经常会用千分位逗号、百分号、括号表示负数。字符串转数值必须先统一清洗def clean_numeric(s): s s.astype(str) s s.str.replace(,, , regexFalse) s s.str.replace(%, , regexFalse) s s.str.strip() # 括号负数 (123.45) - -123.45 is_neg s.str.contains(r^\(.*\)$, regexTrue) s s.str.replace(r^\(|\)$, , regexTrue) numeric pd.to_numeric(s, errorscoerce) numeric[is_neg] -numeric[is_neg] return numeric df_long[数值] clean_numeric(df_long[数值])百分号本意是比率但这里如果原始值已经是小数去掉百分号会导致数据放大 100 倍。先花两分钟统计一下数据范围如果所有数值都在 0 到 1 之间说明原始表已经按小数记录如果出现 3.20 这样的数字且指标名里带“率”需要加一步除以 100。判断标准是资产负债率超过 100% 不一定错但如果整个指标序列全部高 100 倍就是单位口径问题。4.3 偿债能力指标与原始科目映射清洗完成后开始从原始科目重算偿债能力指标。这是核心口径对齐环节。指标计算公式需要的原始科目流动比率流动资产合计 / 流动负债合计流动资产合计、流动负债合计速动比率流动资产合计 - 存货/ 流动负债合计流动资产合计、存货、流动负债合计现金比率货币资金 / 流动负债合计货币资金、流动负债合计资产负债率负债合计 / 资产总计负债合计、资产总计利息保障倍数利润总额 利息费用/ 利息费用利润总额、利息费用科目名不一定完全一致来源库可能会叫“流动资产”、“流动负债”建议先打印一遍df_long[指标名称].unique()和上表对照。计算前先把长表转回宽表wide df_long.pivot_table( index[证券代码, 报告期], columns指标名称, values数值, aggfuncfirst ).reset_index() wide[流动比率] wide[流动资产合计] / wide[流动负债合计] wide[速动比率] (wide[流动资产合计] - wide[存货]) / wide[流动负债合计] wide[现金比率] wide[货币资金] / wide[流动负债合计] wide[资产负债率] wide[负债合计] / wide[资产总计] wide[利息保障倍数] (wide[利润总额] wide[利息费用]) / wide[利息费用]aggfuncfirst的作用是防止同一公司同一报告期出现重复科目取值。如果这里出现大量重复说明源表中同一报告期存在多条记录需要回到上一步检查是否存在重复表头。科目名缺失时对应指标会是 NaN后续统计缺失率即可不要用 0 去填充否则流动比率会被严重低估。利息费用科目缺失比较常见。部分公司的利润表对该项不披露或者用“财务费用”代理。口径上可以退而求其次利息费用为 NaN 时用利润总额 / 财务费用但这已经不是标准利息保障倍数了。建议在生成指标表时单独加一列利息保障倍数_代理并标明口径避免以后自己忘掉。4.4 落库与唯一索引防止重复插入清洗后的指标表写进 SQLite既能被下次增量更新复用也不怕脚本重复运行产生重复数据。import sqlite3 conn sqlite3.connect(financial_indicators.db) wide.to_sql(indicators, conn, if_existsreplace, indexFalse) conn.execute( CREATE UNIQUE INDEX IF NOT EXISTS idx_unique_ind ON indicators(证券代码, 报告期) ) conn.commit()唯一索引建立在“证券代码 报告期”上前提是每一行指标已经齐全。如果宽表里同一公司同一报告期仍有多行创建唯一索引时会直接报错这一步反而成了质量校验。索引创建成功后以后跑增量脚本用INSERT OR REPLACE可以放心覆盖旧值。SQLite 对中文列名支持得很好但下游接 pandas 或 SQL 分析时建议另建一张映射表把中文列名转成英文比如current_ratio、quick_ratio。中文列名在可视化工具里有时会有编码问题尽量在入库这一步就解决掉。5. 增量更新与自检让偿债能力数据变成每月可维护的表5.1 增量合并的两种场景财务数据的更新方式通常有两种。一种是网盘链接整体替换文件名从1990-202406变成1990-202407另一种是收到一个只包含新报告期的小文件。前者直接整表入库后者需要增量合并。import sqlite3 import pandas as pd conn sqlite3.connect(financial_indicators.db) def merge_incremental(old_file, new_file, conn): old pd.read_sql(SELECT 证券代码, 报告期, 流动比率, 速动比率, 资产负债率 FROM indicators, conn) new pd.read_excel(new_file) # 或从 docx 解析得到 df pd.concat([old, new], ignore_indexTrue) df df.drop_duplicates( subset[证券代码, 报告期], keeplast ) df.to_sql(indicators, conn, if_existsreplace, indexFalse)keeplast的含义是保留后写入的数据。当新旧数据同时覆盖同一报告期时新文件里的值可信度更高因为通常是修正后的披露值。合并前记得统一报告期格式字符串日期和Timestamp混在一起会导致去重失效。更稳妥的做法是单独记录一张版本表每次合并时把文件名、报告期范围、总行数写进去。以后数据对不上时能快速定位是哪一个批次的混入出了问题。5.2 自检四件套与告警阈值做完增量合并必须跑一遍自检常见检查项和阈值如下检查项阈值失败时应处理的方式公司数漂移与上一期相比变化超过 20%暂停入库检查报告期口径指标缺失率超过 5%输出缺失证券代码列表指标均值漂移相邻期变化超过 3 倍历史标准差核对原始报告数据账务交叉校验负债合计 流动负债 非流动负债剔除不一致记录并登记自检脚本可以单独写成 SQL 片段执行SELECT 报告期, COUNT(DISTINCT 证券代码) AS company_count, SUM(CASE WHEN 资产负债率 IS NULL THEN 1 ELSE 0 END) AS missing_cnt, ROUND(AVG(资产负债率), 4) AS avg_ratio FROM indicators GROUP BY 报告期 ORDER BY 报告期 DESC LIMIT 20;这条 SQL 把每个报告期的公司数量、缺失值、均值一次查出来人工半小时的核对工作压缩成一条语句。注意 SQLite 的ROUND只做展示不影响内部精度。均值漂移检测可以用 pandas 实现针对每个指标单独跑pivot ( wide.groupby(报告期)[资产负债率] .mean() .reset_index() ) pivot[diff] pivot[资产负债率].diff() pivot[threshold] pivot[资产负债率].rolling(5).std() * 3 pivot[alert] pivot[diff].abs() pivot[threshold] print(pivot[pivot[alert]])rolling(5).std()只用过去 5 期数据避免把很多年前的波动趋势算进当期标准。告警阈值 3 倍是经验值实际业务中银行板块和制造业板块的波动率差异很大分行业建阈值比全市场一刀切要更精确。把这份自检结果导出为check_report.csv每次更新时一起跑一遍能免掉大部分手工核对工作。本文还有配套的精品资源点击获取