2. 读取和合并账单数据

脚本自动扫描 ./bills/ 文件夹，读取所有CSV文件，合并成一个DataFrame。微信和支付宝的字段不同，需要统一处理：

import pandas as pd
import os

def load_bills(folder_path='./bills/'):
    all_data = []
    for file in os.listdir(folder_path):
        if file.endswith('.csv'):
            path = os.path.join(folder_path, file)
            try:
                if '微信' in file:
                    df = pd.read_csv(path, encoding='gbk', skiprows=16)  # 微信CSV有表头偏移
                    df = df.rename(columns={'交易时间': 'time', '交易类型': 'type', '金额(元)': 'amount', '商品': 'description'})
                elif 'alipay' in file:
                    df = pd.read_csv(path, encoding='gbk')
                    df = df.rename(columns={'交易创建时间': 'time', '收/支': 'type', '金额（元）': 'amount', '商品名称': 'description'})
                else:
                    continue
                df['source'] = '微信' if '微信' in file else '支付宝'
                all_data.append(df[['time', 'type', 'amount', 'description', 'source']])
            except Exception as e:
                print(f"读取 {file} 失败: {e}")
    if not all_data:
        return pd.DataFrame()
    return pd.concat(all_data, ignore_index=True)

这段代码处理了编码和表头差异，统一了字段名。

3. 数据清洗和分类

合并后，清洗数据并添加分类标签。我基于描述关键词来分类，比如包含“餐厅”或“外卖”的归为“餐饮”：

def categorize_bills(df):
    # 清洗：去除收入记录，只保留支出
    df = df[df['type'].str.contains('支出|付款', na=False)]
    df['amount'] = df['amount'].astype(str).str.replace('¥', '').astype(float)
    
    # 分类规则
    categories = {
        '餐饮': ['餐厅', '外卖', '美食', '咖啡', '奶茶'],
        '交通': ['打车', '地铁', '公交', '加油', '停车'],
        '购物': ['淘宝', '京东', '超市', '购物', '服饰'],
        '娱乐': ['电影', '游戏', 'KTV', '旅游'],
        '生活': ['水电', '房租', '话费', '维修'],
        '其他': []  # 默认类别
    }
    
    def get_category(desc):
        desc = str(desc).lower()
        for cat, keywords in categories.items():
            for kw in keywords:
                if kw in desc:
                    return cat
        return '其他'
    
    df['category'] = df['description'].apply(get_category)
    return df

你可以根据自己的消费习惯调整关键词，提高分类准确率。

4. 异常支出检测

AI智能体用简单统计方法找异常：比如金额超过平均值的2倍，或突然出现不常见类别。

def detect_anomalies(df):
    anomalies = []
    avg_amount = df['amount'].mean()
    std_amount = df['amount'].std()
    
    for _, row in df.iterrows():
        # 规则1: 金额大于平均值+2倍标准差
        if row['amount'] > avg_amount + 2 * std_amount:
            anomalies.append({
                'time': row['time'],
                'amount': row['amount'],
                'description': row['description'],
                'reason': '大额支出'
            })
        # 规则2: 类别为“其他”且金额较高
        elif row['category'] == '其他' and row['amount'] > 100:
            anomalies.append({
                'time': row['time'],
                'amount': row['amount'],
                'description': row['description'],
                'reason': '未分类高额支出'
            })
    return anomalies

这只是一个基础示例，你可以加入更复杂的机器学习模型来改进。

5. 生成图表和HTML报告

用matplotlib画饼图展示消费结构，然后用Jinja2模板生成HTML报告。

import matplotlib.pyplot as plt
from jinja2 import Template

def generate_report(df, anomalies, output_path='report.html'):
    # 生成饼图
    category_sum = df.groupby('category')['amount'].sum()
    plt.figure(figsize=(8, 6))
    plt.pie(category_sum.values, labels=category_sum.index, autopct='%1.1f%%')
    plt.title('月度消费分类占比')
    chart_path = 'category_pie.png'
    plt.savefig(chart_path)
    plt.close()
    
    # HTML模板
    template_str = """
    
    
    
    
        
月度账单分析报告
        
分析时间: {{ time }}
        
总支出: ¥{{ total_amount }}
        
消费分类
        
        
异常支出提醒
        {% if anomalies %}
        

            {% for item in anomalies %}
            
{{ item.time }} - ¥{{ item.amount }} - {{ item.description }} (原因: {{ item.reason }})
            {% endfor %}
        
        {% else %}
        
无异常支出。
        {% endif %}
    
    
    """
    template = Template(template_str)
    html_content = template.render(
        time=pd.Timestamp.now().strftime('%Y-%m-%d %H:%M:%S'),
        total_amount=df['amount'].sum(),
        chart_path=chart_path,
        anomalies=anomalies
    )
    with open(output_path, 'w', encoding='utf-8') as f:
        f.write(html_content)
    print(f"报告已生成: {output_path}")

报告保存为HTML，可以在浏览器中打开查看。

第三步：运行脚本，查看结果

把以上代码整合成一个主函数，运行即可：

def main():
    df = load_bills()
    if df.empty:
        print("未找到账单文件，请检查./bills/文件夹。")
        return
    df = categorize_bills(df)
    anomalies = detect_anomalies(df)
    generate_report(df, anomalies)
    print("分析完成！打开report.html查看报告。")

if __name__ == '__main__':
    main()

完整代码已上传到我的GitHub（链接在文末），你可以直接下载使用。

注意事项和优化建议

• 数据隐私：账单包含敏感信息，建议在本地运行脚本，不要上传到云端。
• 分类准确性：关键词分类可能不完美，你可以根据账单描述手动调整规则，或考虑用NLP模型改进。
• 扩展功能：可以添加月度趋势对比、预算提醒、自动邮件发送报告等功能。
• 错误处理：支付宝/微信的CSV格式可能更新，如果脚本报错，检查字段名是否匹配。

我用了这个AI智能体几个月，每月省下至少30分钟，还能清晰看到钱花哪儿了。它帮我发现过几次忘记的订阅扣费，挺实用的。

总结

通过Python脚本实现AI智能体管理家庭账单，核心步骤是：导出CSV、用pandas处理数据、基于规则分类和检测异常、生成可视化报告。代码简单易修改，你可以根据自己的需求定制。自动化后，理财变得更轻松——试试看，让你的AI助手帮你管账吧！

（完整代码和示例文件：GitHub链接）