我来帮你梳理下怎么搞定这个需求，分两种场景给你方案，先从Excel本身就能实现的方法说起，不需要额外工具也能完成：

一、Excel内置函数实现（适合数据量不大的情况） #

假设你的两张表分别命名为总消费表（列：Customer_ID、Total_$、date）和交易记录表（列：Customer_ID、Category、date），你可以根据实际表名调整公式里的引用。

1. 计算每个类别的交易次数 #

在总消费表里新增7列，分别对应类别1到7的交易次数。比如类别1的交易次数列（D列），输入以下公式后下拉填充：

=COUNTIFS(交易记录表!$A:$A, $A2, 交易记录表!$B:$B, 1, 交易记录表!$C:$C, "<"&$C2)

公式解释：用COUNTIFS多条件计数，同时匹配客户ID一致、类别为1、交易日期早于当前行日期这三个条件，统计符合条件的记录数。
要计算类别2-7的次数，只需要把公式里的1改成对应的类别数字即可。

2. 获取每个类别的最后交易日期 #

同样在总消费表新增7列对应类别1到7的最后交易日期，比如类别1的最后日期列（K列），输入公式后下拉：

=IF(MAXIFS(交易记录表!$C:$C, 交易记录表!$A:$A, $A2, 交易记录表!$B:$B, 1, 交易记录表!$C:$C, "<"&$C2)=0, "", MAXIFS(交易记录表!$C:$C, 交易记录表!$A:$A, $A2, 交易记录表!$B:$B, 1, 交易记录表!$C:$C, "<"&$C2))

公式解释：先用MAXIFS找出符合条件的最大日期（也就是最后交易日期），如果没有符合条件的记录会返回0，再用IF把0转换成空值，看起来更干净。
同理，替换公式里的1为2-7，就能得到其他类别的最后交易日期。

拆分表格（可选） #

如果要拆成「有交易的类别统计」和「无交易的类别统计」两张表，可以用Excel的筛选功能：

• 筛选交易次数列中任意一列大于0的行，复制到新表就是有交易的记录；
• 筛选所有交易次数列都为0的行，复制到另一张表就是无交易的记录。
  如果你用的是Excel 365/2021，还可以用FILTER函数自动生成：
  有交易的表公式：

=FILTER(总消费表!A:Q, (总消费表!D:D>0)+(总消费表!E:E>0)+(总消费表!F:F>0)+(总消费表!G:G>0)+(总消费表!H:H>0)+(总消费表!I:I>0)+(总消费表!J:J>0)>0)

无交易的表公式：

=FILTER(总消费表!A:Q, (总消费表!D:D=0)*(总消费表!E:E=0)*(总消费表!F:F=0)*(总消费表!G:G=0)*(总消费表!H:H=0)*(总消费表!I:I=0)*(总消费表!J:J=0))

二、Power Query实现（适合数据量大、需要自动化更新的情况） #

如果你的数据量很大，用函数会卡顿，或者需要后续自动更新统计结果，Excel自带的Power Query工具就很合适，步骤如下：

1. 导入数据到Power Query：选中每张表，点击「数据」选项卡→「从表格/区域」，分别把两张表导入到Power Query编辑器。
2. 预处理交易记录表：按Customer_ID和Category分组，添加两个聚合列：「交易次数」用Count统计日期，「最后交易日期」用Max取最大日期。
3. 合并两张表并过滤日期：回到总消费表的查询，点击「合并查询」→「合并为新查询」，选择交易记录表，匹配条件为Customer_ID相等；合并后展开数据时，添加筛选条件：只保留交易日期早于总消费表当前行日期的记录。
4. 透视类别列：把Category列透视成表头，分别对应「交易次数」和「最后交易日期」，空值可以替换成「无交易」或者空字符串。
5. 加载回Excel：点击「关闭并上载」，得到处理好的表，后续数据更新时，只要右键点击表选择「刷新」就能自动更新统计结果。

是否需要其他工具？ #

如果数据量特别大（比如几十万行），Excel本身的功能可能有点吃力，这时候可以用Python的pandas库来处理，核心代码思路如下：

import pandas as pd

# 读取两张表
df_total = pd.read_excel('你的文件路径.xlsx', sheet_name='总消费表')
df_trans = pd.read_excel('你的文件路径.xlsx', sheet_name='交易记录表')

# 转换日期格式
df_total['date'] = pd.to_datetime(df_total['date'], format='%d.%m.%Y')
df_trans['date'] = pd.to_datetime(df_trans['date'], format='%d.%m.%Y')

# 遍历总消费表的每一行，计算对应统计值
result_list = []
for _, total_row in df_total.iterrows():
    cust_id = total_row['Customer_ID']
    target_date = total_row['date']
    # 筛选该客户且交易日期早于目标日期的记录
    filtered_trans = df_trans[(df_trans['Customer_ID'] == cust_id) & (df_trans['date'] < target_date)]
    
    # 按类别分组统计
    if not filtered_trans.empty:
        group_stats = filtered_trans.groupby('Category').agg(
            交易次数=('date', 'count'),
            最后交易日期=('date', 'max')
        ).unstack()
        # 重命名列名
        group_stats.columns = [f'类别{cat}_{stat}' for stat, cat in group_stats.columns]
        # 合并原行数据和统计结果
        combined_row = pd.concat([total_row, group_stats], axis=0)
    else:
        # 无交易时给7个类别填充默认值
        combined_row = total_row.copy()
        for cat in range(1, 8):
            combined_row[f'类别{cat}_交易次数'] = 0
            combined_row[f'类别{cat}_最后交易日期'] = pd.NaT
    
    result_list.append(combined_row)

# 生成最终结果表并保存
final_df = pd.DataFrame(result_list)
final_df.to_excel('统计结果表.xlsx', index=False)

不过日常处理的话，Excel自带的函数或者Power Query完全够用，不需要额外安装工具。

内容的提问来源于stack exchange，提问作者John