京公网安备 11010802034615号
经营许可证编号:京B2-20210330
EXCEL数据分析处理(3)
高级筛选可以使用较多的条件来对数据清单进行筛选,这些条件既可以是与条件,也可以是或条件,或与条件,与或条件的组合使用,还可以使用计算条件。
1.一般情况下的高级筛选
利用高级筛选对数据清单进行筛选的步骤如下:
(1)首先应建立一个条件区域。在条件区域中,同一行中的条件是与条件,也就是这些条件必须同时满足;不同行中的条件是或条件,也就是这些条件只要满足其一即可。如需要查找张三销售彩电的所有记录,则建立条件区域如图2-45所示。
图2-45 建立条件区域
(2)单击数据清单或数据库中的任一非空单元格,然后单击【数据】菜单,选择【筛选】子菜单中的【高级筛选】项,则系统弹出如图2-46所示的【高级筛选】对话框。
图2-46 【高级筛选】对话框
(3)一般情况下,系统将自动给出了数据区域,用户只需在【条件区域】栏中输入条件区域(本例中为B19:C20,也可以用鼠标拾取单元格区域,此时在条件区域中将显示“销售明细清单!$B$19:$C$20”。
(4)高级筛选结果可以显示在数据清单的原有区域中,也可以显示在工作表的其他空白单元格区域,系统默认的方式是在数据清单的原有区域中显示结果。若需要在工作表的其他空白单元格区域显示结果,则在【方式】项中选中“将筛选结果复制到其他位置”,并在【复制到】栏中输入需要显示筛选结果的单元格(开头的一个单元格即可)。图2-47为在原有区域显示的高级筛选结果。
图2-47 在原有区域显示的高级筛选结果
当需要显示原始的全部数据时,可以单击【数据】菜单,选择【筛选】子菜单中的项目,在【筛选】子菜单中选择【全部显示】即可。
同样的方法可以进行建立或条件、与条件与或条件的组合使用情况下的高级筛选。
2.计算条件情况下的高级筛选
在有些情况下,筛选的条件不是一个常数,而是一个随数据清单中数据变化的计算结果,此时无法直接利用高级筛选进行数据筛选。不过,我们可以通过计算条件的方法解决。以例2-20为例(见图2-37),这里要找出销售额大于平均销售额的所有记录。步骤如下:
(1)在数据清单以外的任一空单元格内输入平均值计算公式,比如在单元格H20中输入公式“=AVERAGE(E3:E16)”,这里要特别注意的是存放平均值计算公式的单元格的列标不能与数据清单的任一列标相同,如图2-48所示。
图2-48 计算条件情况下的高级筛选
(2)设置条件区域,条件区域的列表可以是除数据清单中数据标题以外的任何文本,而筛选条件可在单元格B20中输入“=E3>$H$20”,这里要特别注意:必须以绝对引用的方式引用销售额平均值,以相对引用的方式引用数据清单中的数据。
(3)按照前面介绍的步骤进行高级筛选,其中高级筛选的数据区域为$A$2:$G$16;高级筛选的条件区域为$B$19:$C$20,则筛选结果如图2-48所示。
在对数据进行分析时,常常需要将相同类型的数据统计出来,这就是数据的分类与汇总。在对数据进行汇总之前,应特别注意的是:首先必须对要汇总的关键字进行排序。
例如,在例2-11中,要按地区进行自动分类汇总,其步骤如下:
(1)首先对“地区”进行排序,排序方法见前面所述。
(2)单击数据清单或数据库中的任一非空单元格,然后单击【数据】菜单,选择【分类汇总】项,系统弹出如图2-49所示的【分类汇总】对话框。
图2-49 【分类汇总】对话框
(3)在【分类汇总】对话框中,【分类字段】选项下选择“地区”,【汇总方式】选项下选择“求和”,【选定汇总项】选项下选定“数量”和“金额”,单击【确定】按钮,则分类汇总的结果如图2-50所示。
图2-50 按地区分类汇总结果
在图2-50中,左上角有3个按钮,按钮1表示1级汇总,显示全部的销售数量和销售金额汇总;按钮2表示2级汇总,显示各地区的全部销售数量和销售金额汇总;按钮3表示3级汇总,显示各地区的销售数量和销售金额的汇总明细及汇总额(即图2-50所示的汇总结果)。
图2-50中,左边的滑动按钮
为隐藏明细按钮,单击此按钮,则将隐藏本级的明细数据,同时
变为显示明细按钮
,再单击
按钮,则将显示本级的全部明细数据,同时
变为
。
在上述自动分类汇总的结果上,还可以再进行分类汇总,例如再进行另一种分类汇总,两次分类汇总的关键字可以相同,也可以不同,其分类汇总方法与前面的是一样的,此处不再介绍。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26