
● 有的函数只不过学会了简单的用法
原因:
○ 函数的表象(简单、最表面的用法)而大部分人学习只停留在第一个层次上面,学完函数的表象就停止学习—>产生已经学完函数所有东西的错觉—>没有吃透函数的外延(无法知道函数很多使用技巧)。而我们学不会Excel是方法出现了问题,而不是我们不聪明我们看了大部分的教学案例及教程,但一个又一个的教学案例,按部就班的做,学完就学完了(只说了案例,其他的都没说)
而一个好的Excel教程是这样的:
1、列需求2、举例子3、解决办法4、引出函数的功能(并介绍内涵)5、为什么用这个函数能这样解决问题6、解决问题后介绍更多函数的用法,拓展外延
大部分教程只有前三部份,所以从来没想后几步导致学不好Excel。通过下面三步学习法,正确学习Excel方法吃透内涵拓展外延
■ 我们要学会查看函数完整说明
■ 搜集学习Excel函数大量正向案例和反向案例
■ 结合练习和变化式练习
而大部分人学习函数是这样的
查看一下简答的函数用法,然后百度搜索一下这个函数怎么样,看1~2个案例,自己尝试一下解决问题,然后就没有然后,以为自己就会了。回想一下你是不是这样学习的
案例只会告诉你一种或几种用法,而不是函数的全部信息。解决办法,找到微软官方的函数说明,方法1:Excel软件自带的帮助文档是最全面的,按F1就可以调出来。方法2:用微软自己的bing搜索去查找,网址:www.bing.com
点开函数说明,里面不仅有SUM函数的视频教程,如果网速慢的话还有一步步详细的步骤
一般人如何理解SUM函数呢,SUM函数模型=sum(num1,[num2],……)几个数求和嘛,我们只是停留在这个表面。下面我们来看看官方怎么说,总结如下:
对参数的说明。参数可以是数字,单元格引用,也可以是单元格范围。参数可以是1个,也可以是多个,最多255个
和sum函数关联的用法状态栏求和、自动求和、非连续区域求和。
常见错误比如求和数据类型不一致,删除某一列之类的所以用sum函数,删除行列,插入行列,会带来什么样的影响,都有非常详细的说明
优化的做法一些习惯用法,存在更好的、优化的做法。
其他信息
这是浓缩版,非常全面,如果我们认真看完官方说明文档的话,我们可以掌握很多新知识新技能了
但是只看说明文档还是不够全面的,比如对SUM函数我们还可以深入的问几个问题
①、sum函数里面的参数能不能给它加符号呢如=sum (A,-B)
②、sum函数能否和逻辑运算结合在一起呢?如:统计一个表格里面的男性总数
③、sum函数,加入求和A、B、C、D单元格,其中A是1,B是2,C是false,D是“张三”,会得到什么结果,或是报错?
大家可以动手试一下吧,检验自己创造力的时候到了
3步法(学习重点)
步骤一:探求Excel内含部分
深入问自己如下问题
了解每一个参数的要求(要求的数据类型,边界,特殊情况等)
探索参数超出边界,处理参数类型后的情况(比如参数加负号,参数里嵌套函数,参数缺失……..)
探索函数对参数处理的机制,主要是绝对引用,还是相对引用。当参数里的内容出现缺失,被删除,被插入新行、列等意外情况后,会发生什么情况。
去探索函数基本用法之外,更加巧妙、灵活、超出官方文档的技巧。
等等
不断去探索,去尝试
步骤二:案例学习法
正向案例与反向案例的学习
○ 正向案例:就是别人使用这个函数的方法、技巧、教程、经验
○ 反向案例:就是别人用这个函数遇到的问题,犯的错误,总结的经验,吸取的教训,积累的注意事项等
这个方法与传统学习的不同
1、大部分人学习1~2个案例就结束了,而这里要学习大量的案例,要学就深入学习,结合大量的案例才能弄透
2、大部分人只学习正面的案例,不学习反面的案例
而正向案例反向案例学习有如下阶段:
● 阶段1:搜索阶段(通过搜索引擎、知乎、Excel垂直网站等来搜索正反向案例)
● 阶段2:记录和整理阶段(把案例分门别类,记录到一个笔记里面,一般一个函数一个笔记)
● 阶段3:按照案例,打开Excel,一个一个跟着走。
● 阶段4:写学习总结报告,把案例中的好技巧、注意点浓缩出来,形成自己的经验。
在你的笔记软件(为知笔记。OneNote、有道云笔记等)中新建一个笔记本,名字叫Excel函数相关教程。
步骤三、结合练习和变化式练习
但是完整的Excel函数学习笔记应该包含以下四部分:
官方文档总结
■ 内含思考总结
■ 正反案例学习总结
■ 索引相关教程文章
这样为你以后节约不少搜索及选择的时间,只需要看自己保存的笔记
上面学习步骤亦可以划分三个阶段
★ 阶段一:已解决问题为主
★ 阶段二:以吃透内含为主
★ 阶段三:以拓展外延为主
结束语:在有限时间内尽快解决问题,有针对性的去解决当下问题。而在有空的时候我们可以查一查遇见问题的相关官方文档,并且查阅一些牛人写的博客进行拓展。相信大家进行这样的系统学习,Excel还不是小菜一碟吗!如果我们将这三步法运用到我们的其他学习生活中,效率是不是更高效呢
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13