京公网安备 11010802034615号
经营许可证编号:京B2-20210330
两个项目对比的excel组合分析图表
在实际工作中,也会碰到这样的情况:对今年和去年的各项财务指标进行对比分析;把公司的员工人数按性别和年龄段进行分类对比显示。图1所示就是这样的一个图表,图表左侧是公司男员工各个年龄段的人数,图表右侧是公司女员工各个年龄段的人数,这样的图表可使我们一目了然地了解到公司员工的构成情况,其实这也属于一个excel图表中的两个项目对比的excel组合分析图表。
图1
这是一个比较复杂的excel组合图表,因为要将男员工绘制在左侧,将女员工绘制在右侧,中间是年龄段标签。这样的条形图不是仅仅根据原始数据就能绘制出来的,要用到很多技能和技巧。下面介绍这个图表的主要制作方法和步骤。
1、设计辅助绘图数据区域,如图2中的数据区域E1:H8所示,其中E列的数据是为了分割左右的条形图,并在图表中显示各个年龄段名称,G列的数字是手工输入的数字,用于调整图表的左右两列条形中间的宽度,以便能够清楚地显示各个年龄段名称。
图2
2、将F列的男员工人数修改为负数(因为在绘制条形图时,只有负数才能绘制在左边),可以采用“选择性粘贴”中的“批量修改”功能把F列的数据统一修改为负数。
3、选择F列的数据区域,打开“设置单元格格式”对话框,在“分类”列表中选择“自定义”选项,在“类型”文本框中输入自定义数字格式代码“0:0:0;@”,如图3所示,这样就把负数又显示为正数。
图3
4、选择单元格区域El:H8,绘制“堆积条形图”,如图4所示。
图4
5、下面设置分类轴格式。
选择分类轴(也就是纵轴),打开“设置坐标轴格式”对话框。
在“坐标轴选项”分类中,选择“逆序类别”复选框,并将“主要刻度线类型”、“次要刻度线类型”和“坐标轴标签”都设置为“无”,如图5左所示。在“线条颜色”分类中,选择“无线条”单选按钮,如图5右所示。
图5
上述设置的目的是不在图表上显示分类轴,并把分类轴的类别次序反转,以使其上下顺序与工作表的上下顺序相同。
6、分别选中数值轴和网格线,按【Delete】键将其删除。
7、调整图表区和绘图区大小,并将图例移动到图表顶部,取消图例的边框的填充颜色。这样,图表就变为如图6所示的情形。
图6
8、选择数据系列“年龄段”,打开“设置数据系列格式”对话框。在“系列选项”分类中,将分类间距调整为一个合适的值,如图7左所示。在“填充”类别中,选择“无填充”单选按钮,也就是不显示该数据系列,如图7右所示。
图7
9、注意到此时系列“年龄段”还处于选中状态,为该系列设置显示数据标签,但是仅仅显示系列的“类别名称”,如图8所示。
图8
10、为图表添加图表标题,并将默认的标题文字修改为具体的标题说明文字。
11、分别选择数据系列“男”和“女”,设置它们的填充效果,并显示数据标签,但仅仅显示系列的“值”。
12、设置图表区的格式和绘图区的格式,调整图表的大小和位置,再对图表中某些不满意的地方重新设置格式,即可得到需要的图表。
两个项目对比的excel组合分析图表可以使用于今年和明年的业绩对比,男性和女性等等的相互对比分析,特别是两年的业绩对比用处最多了。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14