Excel的中高级用法

单元格格式，根据数值的正负分配不同的颜色和↑ ↓

根据数值正负分配颜色

-7

[蓝色]#,##0;[红色]-#,##0

分配颜色的基础上，根据正负加↑和↓

2↑

-7↓

其实就是在上面颜色的代码基础上加个向上的符号↑，或向下的符号↓

[蓝色]#,##0↑;[红色]-#,##0↓

只保留箭头，不要颜色

2↑

-7↓

#,##0↑;#,##0↓

保留占位符 #,##0 后面加个↑或↓ 。为什么要加这个占位符呢？这个占位符表示的就是-7和2，如果不写占位符，只写↑和↓，那么结果就不会有数字，就会变成下面这样只有↑和↓

↑

↓

IF函数

运算结果

公式

=IF(SUM(AK122:AM122),SUM(AK122:AM122),"")

IF函数是Excel中的逻辑函数，它根据指定的条件进行判断，并返回相应的结果。IF函数的语法如下：

IF(condition, value_if_true, value_if_false)

其中，参数的含义如下：

condition：要测试的条件或表达式。
value_if_true：如果条件为真（即满足或不满足），则返回的值。
value_if_false：如果条件为假（即不满足），则返回的值。

=IF(SUM(AK122:AM122),SUM(AK122:AM122),"")

如果 condition SUM(AK122:AM122) 只要不是0（那就是True），去取SUM(AK122:AM122)作为整个函数的输出值。

如果 condition SUM(AK122:AM122) 的值是0（那就是False），就取"" 一个空的字符串，作为整个函数的输出值。

防止没有数据的情况下，把流量统计成数字0

我想知道是什么样的操作可以让390行的Excel表只显示381行以后的数据（文件位置：远程桌面的上下线.xlsx）

Excel给一列中所有为空的行都填上“汇总”两个字我现在已经用Ctril+G选中了所有的空行，如何一次性填充所有的空行为“汇总”二字？

如果您已经使用 Ctrl + G 快捷键并通过“定位条件”选中了所有空行中的单元格，接下来可以一次性填充这些单元格为“汇总”二字。请按照以下步骤操作：

确保选中了所有空单元格：
- 如果您是通过“定位条件”选中了空值，那么所有空单元格应该已经被选中。
- 如果有些单元格没有被选中，您可以手动点击并扩展选择范围，或者使用 Ctrl + 点击来选中额外的单元格。
输入“汇总”二字：
- 直接在任意一个选中的空单元格中输入“汇总”。
使用 Ctrl + Enter 填充所有选中单元格：
- 在输入“汇总”后，不要直接按 Enter 键，因为这样会只在当前单元格中填充内容。
- 相反，按下 Ctrl + Enter 组合键。这将确保“汇总”二字被填充到所有选中的单元格中。
验证填充结果：
- 检查您的数据列，确保所有之前选中的空单元格现在都填充了“汇总”二字。

如果您按照这些步骤操作后，仍然发现有些单元格没有被填充，可能是因为有些单元格的格式问题或者它们并不是真正的空单元格（例如，它们可能包含空格或其他不可见字符）。在这种情况下，您可以再次使用“定位条件”来确保只选中了真正的空单元格，并重复上述填充步骤。

请注意，在进行此类批量操作时，务必先备份您的工作表，以防意外情况发生。

我在Excel表中遇到这个问题，A1写着2022-01-01,A1向下到A15都是空的，A16写着2022-01-02，A17-A27是空的，A28写着2022-01-03， A29-A40是空的。后面还有上千行的数据都是类似情况，其中一行是有日期的，这一行以后十几行都是空的，我希望这十几行都填充上之前那一行？除了手动Ctrl+D填充，还有其他更便捷的方式吗？

🔺1、打开Excel文件后，选中要填充的空白单元格和周围的数据。

🔺2、按快捷键【Ctrl+G】或【F5】调出定位窗口，点击【定位条件】。

🔺3、勾选【空值（K）】，点击【确定】，将所有空白单元格全部选中，第一个空值背景色是白色，表示可以编辑。

🔺4、在第一个空值中输入【=】，点击上一行的单元格即【A2】，如图所示。

🔺5、按快捷键【Ctrl+Enter】，如图所示：已全部填充。

💥注意：选中空白表格时千万不要选中整列，否则整列都会执行填充功能，有可能导致excel卡住或闪退。

我们目前有一组数据，这组数据每个数据的权重我都已经设定好了，请问如何用Excel计算加权方差？

要在Excel中计算加权方差，你可以使用以下步骤：

准备数据：将你的数据列在Excel工作表的一列中（例如A列），并将相应的权重列在另一列中（例如B列）。
计算加权平均数：在空白单元格中输入以下公式来计算加权平均数：

=SUMPRODUCT(A1:An, B1:Bn) / SUM(B1:Bn)
其中，A1:An是数据列的范围，B1:Bn是权重列的范围。SUMPRODUCT函数将每个数据值与对应的权重相乘，然后SUM函数将这些乘积的总和除以权重的总和来得到加权平均数。
计算加权方差：在另一个空白单元格中输入以下公式来计算加权方差：

=SUMPRODUCT((A1:An - 加权平均数)^2, B1:Bn) / SUM(B1:Bn)
这里，你需要将加权平均数替换为你在第2步中计算出的实际值。这个公式首先计算每个数据点与加权平均数的差的平方，然后将这些平方值与相应的权重相乘，最后将这些乘积的总和除以权重的总和来得到加权方差。

mstsc是英文Microsoft Terminal Services Client的缩写，中文意思是微软终端服务客户端。它是一个Windows系统内置的工具，用于远程连接到其他计算机或服务器。当你按下Win+R组合键并输入mstsc时，系统会打开远程桌面连接工具，让你能够连接到远程计算机。

手机中的DCIM是英文digital camera in memory的简写，中文意思是数字相机图像。这个文件夹通常用于存放数码相机拍摄的照片和视频，因此命名为DCIM。

常见的SQL有MySQL、Spark、Hive、Flink,请问什么情境下会使用哪一种数据库呢？

MySQL:

读写速度快

数据量GB到TB级别的数据用MySQL, 数据量数十TB或PB级别，一般用Hive

备注：不是只有Spark和Hive可以在集群上运行。MySQL 可以在集群上运行，也可以单机运行

Spark:

需要处理大规模数据集

特别是那些不能放入内存的数据集时

可以用于批处理、流处理、机器学习和图处理等。

高度优化，可以在集群上运行，支持多种数据源.就是你

Hive:

如果你们公司的数据已经存储在 Hadoop Distributed File System分布式文件系统（HDFS）中的数据。Hive 提供了一个类似 SQL 的查询语言（HQL）（Hive SQL），使得数据分析师可以更容易地查询和分析大数据。

Hive不适用于实时分析或低延迟场景，因为它的设计目的是为了批处理和大数据处理。如果你对实时性和低延迟有要求高且数据体量较大TB到PB级别，你应该用Flink。如果你对实时性和低延迟有要求高且数据体量是GB到TB级别，你应该用MySQL。

Hive真正的优势在于批处理。

什么是“批处理”？

批处理就是MapReduce,先分工，再汇总

批处理是一种数据处理方式，它将大量的数据分成小批次进行处理。每个批次的数据被单独处理，处理完成后将结果进行整合，得到最终的结果。在大数据处理中，批处理通常用于处理大规模数据集，因为这种方式可以充分利用计算资源，提高数据处理效率。

举个例子，假设我们要处理一个包含数百万条记录的大型数据集，需要进行数据分析、数据清洗和汇总等操作。如果我们使用传统的数据处理方式，可能会花费很长时间才能完成整个数据集的处理。而采用批处理方式，我们可以将整个数据集分成若干个小批次，每个批次的数据单独进行处理。这样，我们可以同时处理多个批次的数据，从而大大提高了数据处理效率。

在实际应用中，批处理通常用于数据仓库、ETL（提取、转换、加载）等场景。例如，在数据仓库中，数据从源系统经过ETL过程被加载到数据仓库中，这个过程可以采用批处理方式进行数据处理，以提高效率。

总之，批处理是一种高效的数据处理方式，尤其适用于大规模数据集的处理。通过将数据分成小批次进行处理，可以充分利用计算资源，提高数据处理效率。

Hive的性能较差，查询速度很慢，远远比MySQL、Spark、慢

Hive的速度之所以慢，是因为下面这些原因

一部分是因为Hive是在对HDFS上的这些硬盘中的文件进行汇总，需要进行频繁的磁盘读写操作。但是Spark呢使用了一种基于内存的计算模型。Spark将数据缓存在内存中，避免了频繁的磁盘读写操作，从而提高了计算速度。因此，对于需要处理大量数据、要求高性能的场景，例如实时数据分析、机器学习、流数据处理等，Spark可能是一个更好的选择。

        实际上，Hive的性能问题更多是由于其计算模型和执行引擎的设计。

        Hive使用了一种基于MapReduce的计算模型，这种模型在处理大数据时相对较慢，因为它需要在多个阶段进行数据分区、排序和聚合等操作。这些操作需要大量的计算资源和时间，导致Hive的查询速度相对较慢。

        另外，Hive的执行引擎也存在一些性能瓶颈。Hive的查询计划需要通过一个中央协调器来执行，这会导致查询执行过程中的瓶颈和延迟。相比之下，一些其他的大数据处理工具（如Spark和Flink）采用了更为高效的计算模型和执行引擎，可以更快地处理数据。

Spark和Flink的执行引擎的优越性体现在下面几点

        Spark的执行引擎称为Spark Engine，它采用了基于RDD的计算模型，可以进行弹性分布式计算。Spark Engine可以将多个操作转化为DAG图，按照最优的执行方式进行计算，从而减少了数据的读写、Shuffle等操作，提高了处理效率

        Flink最大的特点是批流一体。在Flink中，所有的数据都被视为流进行处理，无论是批数据还是流数据，都可以在同一个Flink集群中进行处理。Flink的执行引擎称为Flink Engine，它是一个流处理和批处理的统一计算框架。Flink Engine支持有界和无界数据的流处理，可以对数据流进行实时处理和状态管理。与Spark相比，Flink在处理流数据时具有更好的实时性和低延迟性

        从实时性上来说，Flink要优于Spark。

Flink:

需要实时数据处理和分析的应用。Flink 提供流处理stream和批处理batch，对于低延迟的场景非常适合。对实时性要求很高。

常用到Flink的行业和公司有下面这些。

推荐系统：电商领域的实时数据分析和推荐系统也是 Flink 的应用场景。例如，根据用户的实时行为和偏好，进行商品推荐。——实时处理和分析社交媒体数据和广告数据，进行用户分析和精准营销。

物联网（IoT）领域：物联网设备产生大量的实时数据，Flink 可以用于实时分析这些数据，进行设备监控、预警和智能调控等。

视频、游戏：

实时数据处理和分析：视频和游戏行业通常需要实时处理和分析大量的数据，例如用户行为、播放量、在线人数等。Flink提供了高吞吐、低延迟的流处理能力，可以满足这些实时数据处理和分析的需求。
实时反馈和推荐：在视频和游戏中，用户需要实时的反馈和推荐。Flink可以实时处理数据并给出反馈，例如推荐相关内容、提供挑战排名等，从而提高用户体验和留存率。
异常检测和实时监控：视频和游戏行业需要实时监控系统状态，及时发现异常情况并处理。Flink可以实时检测数据流中的异常，及时发出警报和处理，保证系统的稳定性和可用性。
流式广告投放：在视频和游戏中，广告投放是一个重要的收入来源。Flink的实时数据处理能力可以帮助实现流式广告投放，根据用户行为和偏好进行精准投放，提高广告效果和收益。

金融行业：金融市场数据是实时变化的，Flink 可以用于实时风险管理和欺诈检测。例如，实时监测交易行为和风险指标，进行实时风险管理和欺诈检测

物流行业：实时路况监测和配送优化是物流领域的重要需求，Flink 可以实时处理和分析路况数据，优化配送路线和提高配送效率。