
EXCEL数据分析处理(4)
如果不再需要分类汇总结果,可在图2-49所示的【分类汇总】对话框中单击【全部删除】,即可撤消分类汇总。
数据透视表是用于快速汇总大量数据的交互式表格,用户可以旋转其行或列以查看对源数据的不同汇总,也可以通过显示不同的页来筛选数据,还可以显示所关心区域的数据明细。通过对源数据表的行、列进行重新排列,使得数据表达的信息更清楚明了。
以例2-11的数据为例,建立数据透视表的步骤如下:
(1)首先,要保证数据源是一个数据清单或数据库,即数据表的每列必须有列标。
(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【数据透视表和图表报告】项,则系统弹出【数据透视表和数据透视图向导—3步骤之1】对话框,如图2-51所示,根据待分析数据来源及需要创建何种报表类型,进行相应的选择,然后单击【下一步】按钮,系统弹出【数据透视表和数据透视图向导—3步骤之2】对话框,如图2-52所示;
图2-51 【数据透视表和数据透视图向导—3步骤之1】对话框
图2-52 【数据透视表和数据透视图向导—3步骤之2】对话框
(3)默认情况下,系统自动将选取整个数据清单作为数据源,如果数据源区域需要修改,则可直接输入“选定区域”,或单击【浏览】按钮,从其他的文件中提取数据源。确定数据源后,单击【下一步】按钮,系统弹出【数据透视表和数据透视图向导—3步骤之3】对话框,如图2-53所示。
图2-53 【数据透视表和数据透视图向导—3步骤之3】对话框
(4)在【数据透视表和数据透视图向导—3步骤之3】对话框中,单击【版式】按钮,出现【数据透视表和数据透视图向导—版式】对话框,如图2-54所示。
(5)【数据透视表和数据透视图向导—版式】对话框中,再根据需要,将右边的字段按钮拖到左边的图上,这里,将“销售人员”拖到“行(R)”图上,将“商品”拖到“列(C)”图上,将“数量(台)”和“金额(元)”拖到“数据(D)”图上,如图2-55所示。
图2-55 设置数据透视表的版式
(6)设置好版式后,单击【确定】按钮,则系统就返回到图2—44所示的【数据透视表和数据透视图向导—3步骤之3】对话框,然后单击【完成】按钮,数据透视表就完成了,如图2-56所示。
这样,通过图2-56的数据透视表,即可看出每个销售人员所销售商品的种类、数量、销售额及其合计数,从而以此为基础可很方便地对每个销售人员的销售业绩进行评价。
图2-56 各个销售人员销售商品的数据透视表
在图2-56所建立的数据透视表上,可以很方便地进行多角度的统计与分析。比如要了解李四所销售商品的情况,可在“销售人员”下拉列标中只选中“李四”,然后单击“确定”按钮,则李四的销售情况如图2-57所示。
图2-57 李四的销售情况汇总
还可以建立透视图,方法是:单击数据透视表中的任一单元格,单击鼠标右键,在快捷菜单中选择【数据透视图】项,则系统自动显示出数据透视图,从而得到每个销售人员的更为直观的销售情况。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16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