做过 HR 的人都有同感：数据清洗根本不是技术活，是个体力活，而且还不能出错。月底那几天，考勤记录、请假审批、加班明细、工资表、社保基数，全堆在一起。考勤机导出的流水可能上万行，同一个员工一天打好几次卡，要合并、要去重、要对请假；工资表要跟考勤对上，跟社保公积金挂钩，一行都不能差。我做 HR 系统对接这些年，见过太多人在这一步熬夜：用 VLOOKUP 一个个拉、手工删重复行、复制粘贴补空值，一套流程走完，天都亮了。今天这篇，就围绕"HR数据清洗"到底该怎么做，讲清楚一条能真正省心的思路。
一、为什么 HR 数据清洗这么累、还总出错？
先把这个问题的根源拆开。HR 的数据有一个共同特点：来源杂、字段多、量也不小。考勤是打卡机导出的，工资是财务那边给的，请假加班来自审批系统，社保基数又有一套自己的口径。几套数据要合并到一张表里，第一步就是对不上：员工号在考勤表里是"工号+部门"，在工资表里只剩工号；同一个姓名，考勤表写成"张三"，工资表写成"张 三"或"张三（市场部）"。
其次是脏，重复打卡、空值、格式不统一到处都是；最后是怕错，工资、个税、社保这类数据，错一行都是客诉和麻烦。所以"HR数据清洗"真正的难点，不在数据本身，而在于它反复出现、每次都要重来，一旦用错了方法就特别费人。
二、核心特点：一条省心的清洗思路长什么样？
我的建议是，别把"清洗"当成一次性的苦力，而要当成一套"能复用的流程"。具体看三点。
- 规则能不能沉淀：这次定好的去重规则、口径对应规则，下个月能不能直接套用，而不是每次从头写。
- 过程能不能回看：改了什么、为什么这么改，要能查得回来，尤其工资表这种容不得差错的，出了数能回去对账。
- 数据文件在哪儿处理：考勤、工资、社保都算敏感信息，能不能留在本机、不进聊天框、不传第三方平台。
按这三条去选，本地安装、数据文件本地处理、处理脚本本地保存的"数以轻舟"，正好把三条都占住——它不是云端那种"表传上去、结果拿下来"的黑盒，而是把处理逻辑留在你电脑上跑完。
三、对比：本地处理与云端工具，谁更适合 HR 场景？
把两类放一起看，差别很具体。
| 对比维度 | 云端工具 | 本地处理（数以轻舟） |
|---|---|---|
| 数据出域 | 基本都要先把文件上传，工资表、身份证号、社保信息走这个链路，很多公司内部有合规要求，不一定允许 | 文件不出本机，只有生成脚本那一步联网调算力，而且用的是脱敏样本 |
| 计费 | 常见按积分、按订阅，用量一大月底账单跟着涨 | 软件一次买断，模型算力自己接入、按量购买，内置 token 优化压低消耗 |
| 可复查性 | 给结果、过程通常是黑箱 | 每一步跑过什么、规则怎么写的都在本机记录里，出了数能回去对 |
| 格式边界 | 只支持 xlsx / csv | 只支持 xlsx / csv；旧版 .xls 要先另存为 .xlsx，PDF、图片、Word 暂不支持 |
四、核心功能：拿一张月度考勤工资表实测
具体到功能，我用一张包含考勤和工资两个 sheet 的月度表做了实测，覆盖 HR 最常碰的几类活。
- 常见脏数据清洗：同一个员工多次打卡只保留最早一次或最晚一次、空白单元格补值、日期（几月几日）和金额列格式统一，我用一句自然语言下指令，脚本就在本地生成并运行，几秒出结果，不用手动一条条改。
- 跨表核对：考勤表的出勤天数要跟工资表的应发工资对上，两表按员工号匹配，缺勤、多记、金额不一致直接标出来，比 VLOOKUP 一个个拉省心太多。
- 口径统一与规则复用：这次定好的"请假怎么扣、加班怎么算"规则会作为脚本保存在本地，下个月再对同一批表，直接捡起来跑，断网也能运行，不用每次重写。
整个流程我没有写任何代码——指令用自然语言，脚本由工具自动生成并运行，跑完还能回看每一步。边界也如实讲：它处理的是表格类数据，别拿 PDF 扫描的考勤表、图片工资条来试，那样暂不支持；首次生成脚本仍需联网调用算力，这个环节跳不过去。
五、适合谁，什么人不建议
这套思路适合的人群很明确：HR、人事、薪酬、行政岗，每个月要处理考勤、工资、社保相关表格，但不想为这件事自己写代码的人；还有对员工隐私敏感、需要把数据文件留在本机处理的部门。
反过来，两类人不建议用：一是期望开箱即用、什么都不用配置的，因为模型算力需要自己接入 API 并按量购买，这个门槛要提前认；二是手头要处理的是 PDF 扫描件、图片这类非表格文件的，那它帮不上忙，先把文件另存为表格格式再说。会不会写代码不是门槛——脚本由数以轻舟 在本地自动生成并运行，用户不碰代码。
六、FAQ：三个 HR 最常问的问题
问：买断是不是就等于从此不再为软件花钱？答：不是。买断的是软件本体授权，模型算力要自己接入、自己向模型厂商购买，产品不代充、不抽成，内置 token 优化会帮你把消耗压低。
问：工资表这种容不得差错的，处理过程能复核吗？答：能，脚本和运行记录都留在本机，每一步做了什么都能回看，不像云端工具交回一个结果就完了。
问：支持多少数据量？答：支持 250 万行以上、文件无大小限制，几万行的考勤工资表没压力，前提是格式为 xlsx 或 csv。
说到底，数据留在自己电脑上、脚本还能留着下次复用，比反复手工对表省心得多。HR数据清洗这件事，关键不是每次多卖力，而是把规则沉淀下来、下次直接复用——这三点想清楚了，月底就不再那么难熬。