# model_predict.pyimport sysimport jsonimport argparsedef predict(data_list):    """    模拟一个"复杂模型"    实际场景可能是：ARIMA预测、随机森林分类、NLP情感分析等    """    # 这里用简单加权求和模拟模型输出    result = sum(data_list) * 1.15    return round(result, 4)if __name__ == "__main__":    # 方式1：通过argparse接收参数    parser = argparse.ArgumentParser(description='Excel数据预测模型')    parser.add_argument('--data', type=str, help='JSON格式的输入数据')    args = parser.parse_args()    try:        data = json.loads(args.data)        prediction = predict(data)        # 输出结果（VBA会捕获这个输出）        print(json.dumps({"status": "success", "result": prediction}))    except Exception as e:        print(json.dumps({"status": "error", "message": str(e)}))

' 模块：modPythonCallerFunction CallPythonScript(scriptPath As String, jsonData As String) As String    Dim wsh As Object    Dim cmd As String    Dim exec As Object    Dim output As String    Set wsh = CreateObject("WScript.Shell")    ' 构造命令：python 脚本路径 --data "JSON数据"    cmd = "python """ & scriptPath & """ --data """ & jsonData & """"    ' 执行并捕获输出    Set exec = wsh.Exec(cmd)    ' 读取标准输出    Do While exec.Status = 0        DoEvents    Loop    output = exec.StdOut.ReadAll    CallPythonScript = outputEnd FunctionSub RunPrediction()    Dim result As String    Dim scriptPath As String    Dim inputData As String    scriptPath = ThisWorkbook.Path & "\model_predict.py"    ' 模拟从Excel读取数据    inputData = "[100, 120, 110, 130, 125]"    result = CallPythonScript(scriptPath, inputData)    ' 解析结果并写入单元格    Dim parsed As Object    Set parsed = JsonConverter.ParseJson(result)    If parsed("status") = "success" Then        Range("B10").Value = parsed("result")        MsgBox "预测完成！结果：" & parsed("result"), vbInformation    Else        MsgBox "预测失败：" & parsed("message"), vbCritical    End IfEnd Sub

pip install xlwings

xlwings addin install

# excel_model.pyimport xlwings as xwimport numpy as npfrom sklearn.linear_model import LinearRegression@xw.funcdef predict_sales(periods):    """    预测未来N期销售额    VBA可以直接调用这个函数    """    # 从Excel读取历史数据    wb = xw.Book.caller()    sheet = wb.sheets['历史数据']    # 假设A列是期数，B列是销售额    history = sheet.range('B2:B100').value    history = [x for x in history if x is not None]    # 构建特征矩阵    X = np.arange(len(history)).reshape(-1, 1)    y = np.array(history)    # 训练模型    model = LinearRegression()    model.fit(X, y)    # 预测未来    future_X = np.arange(len(history), len(history) + periods).reshape(-1, 1)    predictions = model.predict(future_X)    return predictions.tolist()@xw.subdef run_full_analysis():    """    完整的分析流程（无返回值，作为宏调用）    """    wb = xw.Book.caller()    # 1. 数据清洗    raw_sheet = wb.sheets['原始数据']    clean_sheet = wb.sheets['清洗后']    data = raw_sheet.range('A1').expand().value    # ... 清洗逻辑 ...    # 2. 建模    # ... 复杂计算 ...    # 3. 写回结果    result_sheet = wb.sheets['结果']    result_sheet.range('A1').value = "分析完成"

Sub 调用Python预测()    ' 直接调用Python函数    RunPython "import excel_model; excel_model.predict_sales(12)"End SubSub 运行完整分析()    RunPython "import excel_model; excel_model.run_full_analysis()"End Sub

@xw.funcdef moving_average(data, window):    """移动平均，可直接在Excel单元格里用 =moving_average(A1:A10, 3)"""    import pandas as pd    s = pd.Series(data)    return s.rolling(window=window).mean().tolist()

# batch_processor.pyimport pandas as pdimport sysdef process_excel_data(input_csv, output_csv):    df = pd.read_csv(input_csv)    # 复杂处理逻辑    df['score'] = df['value'] * df['weight'] / df['value'].sum()    df['rank'] = df['score'].rank(ascending=False)    df.to_csv(output_csv, index=False)    print(f"处理完成，结果写入{output_csv}")if __name__ == "__main__":    process_excel_data(sys.argv[1], sys.argv[2])

Sub 文件桥接调用()    Dim pythonScript As String    Dim inputFile As String    Dim outputFile As String    inputFile = ThisWorkbook.Path & "\input.csv"    outputFile = ThisWorkbook.Path & "\output.csv"    pythonScript = ThisWorkbook.Path & "\batch_processor.py"    ' 先把Excel数据导出为CSV    Range("A1:C100").Copy    ' ... 写入CSV文件 ...    ' 调用Python    Shell "python " & pythonScript & " " & inputFile & " " & outputFile, vbNormalFocus    ' 等待完成后读取结果    ' ... 读取CSV写回Excel ...End Sub

Sub VBA_MovingAverage()    Dim data() As Double    Dim i As Long, j As Long    Dim window As Long    Dim sum As Double    window = 5    ' 假设数据在A列，从第2行开始    lastRow = Cells(Rows.Count, 1).End(xlUp).Row    ReDim data(1 To lastRow - 1)    For i = 1 To lastRow - 1        data(i) = Cells(i + 1, 1).Value    Next i    ' 计算移动平均    For i = window To UBound(data)        sum = 0        For j = i - window + 1 To i            sum = sum + data(j)        Next j        Cells(i + 1, 2).Value = sum / window    Next i    ' 标记异常值（超过2倍标准差）    Dim mean As Double, stdDev As Double    ' ... 又是一堆循环计算均值和标准差 ...End Sub

import pandas as pdimport numpy as npdef analyze_data(data_list, window=5):    df = pd.Series(data_list)    # 移动平均    ma = df.rolling(window=window).mean()    # 异常值标记（Z-score方法）    z_scores = np.abs((df - df.mean()) / df.std())    outliers = z_scores > 2    return {        'moving_average': ma.tolist(),        'outliers': outliers.tolist(),        'outlier_indices': np.where(outliers)[0].tolist()    }

Private Sub btnPredict_Click()    ' 1. 校验输入    If Range("B2").Value = "" Then        MsgBox "请输入历史数据！", vbExclamation        Exit Sub    End If    ' 2. 调用Python    Application.StatusBar = "正在调用Python模型..."    RunPython "import sales_model; sales_model.run_prediction()"    Application.StatusBar = "完成"    ' 3. 刷新图表    ActiveSheet.ChartObjects("SalesChart").Chart.RefreshEnd Sub

import xlwings as xwimport pandas as pdfrom statsmodels.tsa.seasonal import seasonal_decomposefrom sklearn.ensemble import RandomForestRegressordef run_prediction():    wb = xw.Book.caller()    sheet = wb.sheets['数据']    # 读取数据    data = sheet.range('B2:B100').value    data = pd.Series([x for x in data if x is not None])    # 季节性分解    decomposition = seasonal_decompose(data, period=12)    trend = decomposition.trend    seasonal = decomposition.seasonal    # 用随机森林预测趋势    X = pd.DataFrame({'t': range(len(data))})    rf = RandomForestRegressor(n_estimators=100)    rf.fit(X, trend.dropna())    # 预测未来6个月    future_X = pd.DataFrame({'t': range(len(data), len(data) + 6)})    future_trend = rf.predict(future_X)    # 加上季节性成分    last_seasonal = seasonal.tail(12).values    predictions = future_trend + np.tile(last_seasonal[:6], 1)    # 写回Excel    result_sheet = wb.sheets['预测结果']    result_sheet.range('B2').value = predictions.tolist()