一、任务描述

杜邦分析体系将净资产收益率（ROE）拆解为销售净利率、总资产周转率与权益乘数三因子，揭示了企业盈利、运营与杠杆三种不同的价值创造路径。然而，传统教学往往止步于公式计算与静态比较，学生"会算"却"不会判"——面对批量纵向企业数据，难以快速识别其主导驱动模式的演变与潜在财务风险。

本代码旨在构建一套六级颗粒度的驱动特征判别模型：以财务风险预警为最高优先级，依次识别高盈利、准高盈利、高周转、准高周转及均衡型五种企业画像，实现从手工计算到智能分类的跃迁。

二、操作向导

【知识点1】pd.read_excel：从Excel文件读取结构化数据，pandas通过openpyxl或xlrd引擎解析.xlsx/.xls文件，将工作表转化为DataFrame二维表结构。若文件含多个工作表，可用sheet_name="表名" 指定。

import pandas as pdfilename = "300415伊之密历年财务指标.xlsx"df = pd.read_excel(filename)

【知识点2】指标值调整：统一量纲与口径，原始数据常带百分号（%）或单位差异，直接运算会导致数量级错误。需通过除法/加法进行量纲归一化。

财务场景：

• 销售净利率(%) ÷ 100 → 转化为小数，便于与ROE同口径比较

• 产权比率(%) ÷ 100 + 1 → 由"负债/所有者权益"推导权益乘数，公式：权益乘数 = 资产/权益 = (负债+权益)/权益 = 1 + 产权比率

• 总资产周转率(次) → 单位为"次/年"，无需转换

注意：调整前务必核对原始数据的单位标识，防止"小数点错位"。

npm = df['销售净利率(%)'] / 100 # 销售净利率（Net Profit Margin）tat = df['总资产周转率(次)'] # 总资产周转率（Total Asset Turnover）em = df['产权比率(%)'] / 100 + 1 # 权益乘数（Equity Multiplier）ROE = df['净资产收益率(%)'] / 100 # 净资产收益率date = df['日期'] # 时间序列索引

【知识点3】建立数据容器：空列表的初始化。列表（list）是Python内置的可变序列类型，支持动态扩容。在循环遍历前预先创建空列表，用于逐条存储分类结果。

财务场景：杜邦分析需对每一期财务数据打标签（如"高盈利驱动型"），由于数据行数随年报期数变化，使用列表可灵活适配不同长度。列表的append机制更适合"边遍历、边收集"的场景。

features = []# 建立"风险预警优先 + 主驱动识别 + 复合标签"识别模型for i in range(len(npm)):  n, t, e = npm.iloc[i], tat.iloc[i], em.iloc[i]  tags = []

【知识点4】list.append()：向列表尾部追加元素，append()是列表的原地修改方法，将单个对象作为整体追加到列表末尾。

财务场景：在杜邦三因子分析中，一家企业可能同时具有多种驱动特征（如既"高盈利"又"高周转"）。通过append向tags列表逐条添加特征标签，实现"非互斥、可叠加"的多维度画像。

# 第一层：风险预警（独立判断，不互斥）if e > 2.5 and n <= 0.05:  tags.append("高杠杆风险")elif e > 2.5:  tags.append("高杠杆")# 第二层：主驱动识别（允许叠加）if n > 0.10:  tags.append("高盈利")elif n > 0.06:  tags.append("盈利高")if t > 1.0:  tags.append("高周转")elif t > 0.6:  tags.append("周转快")

【知识点5】str.join()：字符串拼接与标签合成，join()是字符串方法，以调用者（如"+"）为分隔符，将可迭代对象（如列表）中的字符串元素连接成新字符串。

财务场景：当tags列表含多个特征（如["高盈利","高周转"]）时，用"+".join(tags)合成"高盈利+高周转"的复合标签，既保留多维度信息，又便于Excel单元格展示。

语法："分隔符".join(可迭代对象)

示例："-".join(["A","B"]) → "A-B"

# 第三层：综合判定if not tags:  if e > 2.0:    features.append("杠杆依赖型")  else:    features.append("均衡型")else:  features.append("+".join(tags))df['驱动特征'] = features

【知识点6】用字典构建DataFrame：列式数据组装。

财务场景：财务分析结果往往需要从原始DataFrame中抽取部分列，并与新生成的指标（如驱动特征）重新组合，形成分析报告。

字典结构天然对应"指标名:数据列"的映射关系，可读性强。字典各value的长度必须一致，否则报错。

df2 = pd.DataFrame({'日期': date,'净资产收益率': ROE,'销售净利率': npm,'总资产周转率': tat,'权益乘数': em,'驱动特征': features})print(df2)

【知识点7】pd.ExcelWriter：追加写入与sheet替换，ExcelWriter是pandas的上下文管理器，封装了Excel引擎（此处为openpyxl），支持"追加模式(a)"向已有文件写入。

if_sheet_exists="replace"表示若目标工作表已存在，则覆盖。

财务场景：财务分析常需"原始数据+分析结果"同文件存储，避免生成多个分散文件。追加模式可在不破坏原始数据的前提下，将"ROE驱动分析"结果写入新工作表，实现"数出一源、分级呈现"。

参数详解：

• engine="openpyxl"：mode="a"仅支持openpyxl引擎

• mode="a"：append追加；文件不存在时会报错，需预先创建

• if_sheet_exists="replace"：同名表覆盖；

注意：使用with语句确保文件句柄自动关闭，防止文件占用锁定。

with pd.ExcelWriter(filename, engine="openpyxl", mode="a", if_sheet_exists="replace") as writer:  df2.to_excel(writer, sheet_name="ROE  驱动分析", index=False)

教学转化：将此模型嵌入《财务管理实务》课程，学生可导入上市公司年报数据（如伊之密、海天味业），一键生成企业的驱动特征分布图。更详细内容请参阅钭志斌主编的《财务大数据分析（基于python）》。