
● 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
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