
Excel文本数据的处理方法和技巧
在Excel中文本数据是工作表数据的重要组成元素之一,每一张Excel工作表中的数据既有文本又有数值,因此了解和掌握Excel文本数据的处理方法和技巧是非常重要的。
Excel提供了27个文本函数。在这些文本函数中。最常用的是从字符串中取字符的几个文本函数:LEN函数、LEFT函数、RIGHT函数、MID函数以及FIND函数。
LEN函数用于获取文本字符串中的字符数。
LEFT函数用于获取字符串左边指定个数的字符数。
RlGHT函数用于获取字符串右边指定个数的字符数。
MlD函数用于获取字符串从指定位置开始指定个数的字符数。
FIND函数用于在区分大小写的情况下。查找某字符在字符串中第一次出现的位置。
下面举倒说明这几个函数的使用方法。
图1所示是从数据库导入的员工联系地址信息,员工姓名、邮政编码和地址之间用符号“|”分隔。现在要求把这3项数据分开呈3列保存。
图1
这个问题最简单的解决方法是使用“分列”工具。不过。这里使用相关的文本函投进行分列。
首先设计表格。如图2所示。
图2
在单元格B2中输入公式“=LEFT(A2.FlND("|",A2)-1)”。并向下复制。得到员工姓名。
在单元格C2中输入公式“=MID(A2.LEN(B2)+2.6)”。并向下复制。得到邮政编码。
在单元格D2中输入公式“=MlD(A2.LEN(B2)+9.99)”。并向下复制,得到地址。
注意,这里要先用FlND函数确定符号“|”第一次出现的位置,然后利用LEFT函数把该符号左边的字符取出来,就是姓名。
邮政编码的开始位置是姓名字符个数加上2(因为符号“|”占用一个位置)。因此提取邮政编码要使用MID函数。其起始位置是表达式LEN(B2)+2的结果。而字符长度是6。
地址的开始位置是姓名字符数加上9(因为邮政编码宇符数是6.还有两个符号“|”)。因此提取地址也要使用MID函数,其起始位置是表达式LEN(B2)+9的结果。而字符长度是后面所有的字符,这里设置了一个充分大的数字99.因为很少有地址的字符数超过99位的。如果仍不放心。也可以把这个数改为999甚至更大的数宇。
可以利用有关的文本函数。从身份证号码提取信息。图3所示是根据员工身份证号码提取有关信息的表格。在这个表格中。把出生日期分成3列分别保存年、月、日3个数字。这样做一方面可以简化公式。另一方面也便于数据分析,例如可以筛选某年、某月、某日出生的员工。
图3
在单元格E3中输入公式“=1*IF(LEN(D3)=15.19&M1D(D3.7.2).MID(、"D3.7.4))”,并向下复制。得到出生年份数字。
在单元格F3中输入公式“=1*IF(LEN(D3)=15.MID(D3.9.2).MID(D3.11.2))”。并向下复制。得到出生月份数字。
在单元格G3中输入公式“=1*IF(LEN(D3)=15.MlD(D3.11.2).MID(D3.13.2))”。并向下复制。得到出生日数宇。
在单元格H3中输入公式“=DATE(E3,F3.G3)”,并向下复制。将出生年、月、日3个数字合并为一个真正的出生日期。
在单元格13中输八公式“=lF(ISEVEN(IF(LEN(D3)=15.RIGHT(D3)。MID(D3.17.1))),“女”。“男”)”。并向下复制,以判断性别。注意,判断性别时。对于15位身份证号码。是根据量后一位数字判断的;而对于18位身份证号码。则是根据倒数第二位数字(也就是第17位数字)判断的。
图4所示是一个会计科目分录表。要计算净利润。一般会使用下面的公式:
=C2+C7+C8+C9+C10+C11+C22+C23+C24+C70+C110+C116+C117+C118
图4
这个公式最大的缺点是要一个单元格一个单元格地相加。很容易加错单元格。造成计算结果错误。
考虑到计算净利润时。仅仅计算总账科目。而总账科目的科目编码只有4位数。这样就可以利用LEN函数进行判断。并构建相应的高效计算公式了。计算公式如下:
=SUMPRODUCT((LEN(A2:All8)=4)*C2:Cll8)
了解和掌握了Excel文本数据的处理方法和技巧以后,我们就再也不用担心加错单元格的问题了。今天我们学习了5个文本处理函数和列举了2个例子,大家应该好好熟悉一下。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30