1.将Excel的表粘贴到ppt或者word中，复制了图表，然后选择word 的开始粘贴-选择性黏贴。

 

 

 2.切记：将表格粘贴到word是一张照片，然而在ppt是一个对象，可以双击看到源数据，这样对隐私很大威胁。

 

 

 备注：粘贴为图表对象，就会附带源数据，即使源数据不在本机，也能打开对象文件；而黏贴微链接，如果不在本机，对方就无法链接到源数据。

 

 

 3.让图表动一下：

 原理：要让图表动，就要让分类汇总结果动，即图表的数据来源随源数据而动。

 解决：数据透视图

 制作方法：

 
 选中已做好的数据透视表，点击任意单元格，点击数据透视表，选择要显示的表

  


 
 若数据已更改，可以进行刷新。

  


 

 

 第7章埋头做表别忘了抬头看路

 1.赢得同事的认可：表格的整洁、美观、为使用者考虑的智能化设置，及保护公司数据安全的制作方式。

 2.好的印象，需要长时间的积累才能形成。

 3.好的经验，记录在案。当有一份文档在手时，如果找到恰当的机会，就能让更多人了解你，了解你的工作。

 4.保管好报表：首先要确保它们存在于电脑中，其次要对他们进行有效的分类，最后要定期做备份。---上级需要的报表，能够在很短时间内找到，同事提供过的报表，不再让他们重复提供；即使报表丢失了，还有备份文档保障数据安全。

 

 

 5.善于分享

 6.以诚待人

可以通过“设置打印区域”来实现，下面来介绍2种方法：
 
一、通过【设置打印区域】来实现
 
 
1、选中要打印的区域；
 
2、首先点击【页面布局】功能，然后点击[打印区域]，在弹出的两个选项里选中[设置打印区域s]。
 
未被设置到打印区域里的表格就是“显示但是打印时不打印出来”的状态了
 
二、通过【打印区域设定】来实现
 
 
1、选中要打印的区域；
 
2、首先在键盘上按<Ctrl+P>快捷键，弹出打印界面；然后选[打印内容]中的[选定区域]
 
未被选中的表格就是“显示但是打印时不打印出来”的状态了
 
三、以上两种方法的联系和区别
 
1、联系
 
两种方法都是通过逆向思维的方式，把要打印的表格添加到打印区域内，以此来实现“显示但是打印时不打印”的目标。
 
2、区别
 
①在设置完成保存并关闭文件后，重新启动Excel时，前者状态不会变化，不需要重新设置；后者会变换，需要重新设置。
 
②两种方法不可同时使用，只能二选一。
 
品略图书馆 http://www.pinlue.com/
 
 

作者|RAM DEWANI 编译|VK 来源|Analytics Vidhya
 
概述
 
你可以在Excel中执行建模，只需几个步骤
 
下面是一个教程，介绍如何在Excel中构建线性回归模型以及如何解释结果
 
 
介绍
 
Excel真的能构建预测模型？
 
这通常是我提起这个话题时的第一反应。当我演示如何利用Excel的灵活性为我们的数据科学和分析项目构建预测模型时，接下来是一个令人怀疑的眼神。
 
让我问你一个问题-如果你周围的商店开始收集客户数据，他们是否可以采用基于数据的策略来销售他们的商品？他们能预测自己的销售额或估计可能销售的产品数量吗？
 
 
现在你一定想知道，他们究竟将如何建立一个复杂的统计模型来预测这些事情？学习分析或雇佣分析师可能超出了他们的能力范围。好消息是，他们不需要。
 
Microsoft Excel为我们提供了一种构建预测模型的能力，而不必编写复杂的代码。
 
我们可以很容易地在MS Excel中建立一个简单的线性回归模型，它可以帮助我们在几个简单的步骤中执行分析。我们不需要精通Excel或统计学就可以进行预测建模！
 
在这篇文章中，我将解释如何在Excel中建立一个线性回归模型，以及如何对结果进行分析，以便你成为一名分析师！
 
目录
 
什么是线性回归？
 
在Excel中获取所有重要的Add分析工具包
 
在Excel中实现线性回归
 
解释我们预测模型的结果
 
我们如何改进模型？
 
用Excel做预测！
 
 
什么是线性回归？
 
线性回归是我们大多数人学习的第一种机器学习技术。它也是业界最常用的监督学习技术。
 
但什么是线性回归？
 
它是一种线性方法，用于统计建模因变量（要预测的变量）和自变量（用于预测的因素）之间的关系。线性回归给出了这样一个方程：
 
 
这里，Y是因变量，X是自变量，C是系数。系数基本上是根据重要性分配给特征的权重。
 
最常用的回归方法是OLS（普通最小二乘法）。它的目标是减少平方和以产生这样的最佳拟合线：
 
 
如果你想了解有关线性回归的更多信息，请参阅以下资源：
 
线性回归基础：https://courses.analyticsvidhya.com/courses/Fundamentals-of-Regression-Analysis
 
线性回归模型中的诊断图：https://www.analyticsvidhya.com/blog/2013/12/residual-plots-regression-model/
 
Excel中线性回归的初学者指南：https://www.analyticsvidhya.com/blog/2017/06/a-comprehensive-guide-for-linear-ridge-and-lasso-regression/
 
Excel加载项获取分析工具包
 
要在Excel中执行回归分析，首先需要启用Excel的分析工具包加载项。Excel中的分析工具包是一个插件程序，为统计和工程分析提供数据分析工具。
 
要将其添加到工作簿中，请执行以下步骤。
 
步骤1–Excel选项
 
转到文件->选项：
 
 
步骤2–定位分析工具包
 
转到左侧面板上的加载项->管理Excel加载项->转到：
 
 
第3步-添加分析工具包
 
选择“分析工具包”并按“确定”：
 
 
你已在Excel中成功添加分析工具包！你可以通过转到功能区中的数据栏进行检查。
 
让我们开始用Excel建立我们的预测模型！
 
在Excel中实现线性回归
 
到目前为止，很多东西都是理论上的。现在，让我们深入了解Excel并进行线性回归分析！
 
下面是我们将要处理的问题声明：
 
 
 
Winden镇有一家卖鞋的公司。该公司希望通过考虑以下因素来预测每个客户的销售情况：客户收入、离家距离、客户每周的跑步频率。
 
 
 
步骤1–选择回归
 
进入数据->数据分析：
 
转到数据工具包中的“数据分析”，选择“回归”，然后按“确定”：
 
 
步骤2–选择
 
在这一步中，我们将选择一些分析所需的选项，例如：
 
输入y范围–独立因子的范围
 
输入x范围-相关因素的范围
 
输出范围–要显示结果的单元格范围
 
 
 
其他选项是自由选择的，你可以根据你的特定目的选择它们。
 
按OK，我们最终在Excel中用两个步骤进行了回归分析！很简单！现在我们将在excel中看到回归分析的结果。
 
用Excel分析预测模型的结果
 
实施线性回归模型是最简单的部分。现在是我们分析的棘手方面——在Excel中解释预测模型的结果。
 
综上所述，我们有三种产出类型，我们将逐一介绍：
 
回归统计表
 
方差分析表
 
回归系数表
 
残差表
 
 
回归统计表
 
回归统计表告诉我们最佳拟合线如何定义自变量和因变量之间的线性关系。两个最重要的度量是R方和调整R方。
 
R方统计量是拟合优度的指标，它告诉我们最佳拟合线解释了多少方差。R方的范围从0到1。
 
在我们的例子中，R平方值为0.953，这意味着我们的行能够解释95%的方差——这是一个好的迹象。
 
 
但是有一个问题-当我们不断增加更多的变量，我们的R平方值将继续增加，即使变量可能没有任何影响。调整R平方解决了这个问题，是一个更可靠的度量。
 
方差分析表
 
方差分析代表方差分析。此表将平方和分解为其组成部分，以提供模型内变化的详细信息。
 
它包括一个非常重要的指标，显著性F（或P值），它告诉我们你的模型是否具有统计显著性。
 
简而言之，这意味着我们的结果可能不是由于随机性，而是因为一个潜在的原因。
 
p值最常用的阈值是0.05。如果我们得到的值低于这个，就可以了。否则，我们需要选择另一组自变量。
 
 
在我们的例子中，我们的值远低于0.05的阈值。太棒了，我们现在可以前进了！
 
回归系数表
 
系数表以系数的形式分解回归线的组成部分。从中我们可以了解很多。
 
对于Winden鞋业公司来说，似乎每增加一个单位的收入，销售额就增加0.08，而增加一个单位的店面距离就增加508个销售额！
 
 
running frequency的增加似乎使销售量减少了24，但我们真的能相信这个特征吗？
 
如果你看上面的图片，你会发现它的p值大于0.5，这意味着它在统计学上不显著。
 
我们将在下一节探讨如何处理这种情况。
 
残差表
 
残差表反映了预测值与实际值之间的差异。它由我们的模型预测的值组成：
 
 
如何改进我们的模型？
 
如前所述，变量running frequency的p值大于0.05，因此让我们从分析中移除该变量来检查结果。
 
我们将遵循上述所有步骤，但不包括running frequency列：
 
 
我们注意到调整后的R平方的值从0.920略微提高到0.929！
 
用Excel做预测！
 
我们已经准备好回归分析了，现在该怎么办？让我们看看。
 
你的一位老顾客，名叫亚历山德，走进来，我们想预测他的销售额。我们可以简单地从线性回归模型的数据中插入数字，我们很好去！
 
Aleksander有4万的收入，住在离商店2公里的地方。估计销售额是多少？
 
方程变成：
 
 
在这里，我们的模型估计，亚历山德先生将支付4218购买他的新鞋！这就是简单地在Microsoft Excel中进行线性回归的能力。
 
结尾
 
在本文中，我们学习了如何在Excel中建立线性回归模型以及如何解释结果。我希望这本教程能帮助你成为一个更好的分析师或数据科学家。
 
分析工具包包含许多其他Excel分析选项。你可以在日常生活中尝试很多其他的统计分析！
 
原文链接：https://www.analyticsvidhya.com/blog/2020/06/predictive-modeling-excel-linear-regression/
 
欢迎关注磐创AI博客站： http://panchuang.net/
 
sklearn机器学习中文官方文档： http://sklearn123.com/
 
欢迎关注磐创博客资源汇总站： http://docs.panchuang.net/

本文为作者原创，未经允许不得擅自转载。
 
Excel是微软的经典之作，在日常工作中的数据整理、分析和可视化方面，有其独到的优势，尤其在你熟练应用了函数和数据透视等高级功能之后，Excel可以大幅度提高你的工作效率。但如果数据量超大，Excel的劣势也就随之而来，甚至因为内存溢出无法打开文件，后续的分析更是难上加难。那么，有什么更好的解决办法吗？工欲善其事，必先利其器，在这里我们介绍使用Python的pandas数据分析包来解决此问题。
 
pd.read_excel(io, sheet_name=0, header=0, names=None, index_col=None, 
              usecols=None, squeeze=False,dtype=None, engine=None, 
              converters=None, true_values=None, false_values=None, 
              skiprows=None, nrows=None, na_values=None, parse_dates=False, 
              date_parser=None, thousands=None, comment=None, skipfooter=0, 
              convert_float=True, **kwds)
 
pandas读取Excel后返回DataFrame，接下来我们就pd.read_excel()的常用参数进行详细解析。
 

目录
 
1、io，Excel的存储路径
 
2、sheet_name，要读取的工作表名称
 
3、header， 用哪一行作列名
 
4、names， 自定义最终的列名
 
5、index_col， 用作索引的列
 
6、usecols，需要读取哪些列
 
7、squeeze，当数据仅包含一列
 
8、converters ，强制规定列数据类型
 
9、skiprows，跳过特定行
 
10、nrows ，需要读取的行数
 
11、skipfooter ， 跳过末尾n行
 

【文中使用英超、西甲的排名积分榜及射手榜作为原始数据~~~】
 

1、io，Excel的存储路径
 
 建议使用英文路径以及英文命名方式。
import pandas as pd
io = r'C:\Users\Administrator\Desktop\data.xlsx'
 
2、sheet_name，要读取的工作表名称
 
可以是整型数字、列表名或SheetN，也可以是上述三种组成的列表。
 
整型数字：目标sheet所在的位置，以0为起始，比如sheet_name = 1代表第2个工作表。
 
data = pd.read_excel(io, sheet_name = 1)
data.head()
 
 
列表名：目标sheet的名称，中英文皆可。
data = pd.read_excel(io, sheet_name = '英超射手榜')
data.head()
 
 
SheetN：代表第N个sheet，S要大写，注意与整型数字的区别。
data = pd.read_excel(io, sheet_name = 'Sheet5')
data.head()
 
 
组合列表： sheet_name = [0, '英超射手榜', 'Sheet4']，代表读取三个工作表，分别为第1个工作表、名为“英超射手榜”的工作表和第4个工作表。显然，Sheet4未经重命名。
sheet_name 默认为0，取Excel第一个工作表。如果读取多个工作表，则显示表格的字典。对于初学者而言，建议每次读取一个工作表，然后进行二次整合。
data = pd.read_excel(io, sheet_name = ['英超积分榜', '西甲积分榜'], nrows = 5)
# sheet_name = ['英超积分榜', '西甲积分榜'] ，返回两个工作表组成的字典
data
 
 
3、header， 用哪一行作列名
 
 默认为0 ，如果设置为[0,1]，则表示将前两行作为多重索引。
data = pd.read_excel(io, sheet_name = '英超积分榜', header = [0,1]) 
# 前两行作为列名。
data.head()
 
 
4、names， 自定义最终的列名
 
一般适用于Excel缺少列名，或者需要重新定义列名的情况。
注意：names的长度必须和Excel列长度一致，否则会报错。
data = pd.read_excel(io, sheet_name = '英超射手榜', 
                     names = ['rank','player','club','goal','common_goal','penalty'])
data.head()
 
 
5、index_col， 用作索引的列
 
可以是工作表列名称，如index_col = '排名'；
可以是整型或整型列表，如index_col = 0 或 [0, 1]，如果选择多个列，则返回多重索引。
data = pd.read_excel(io, sheet_name = '英超射手榜', index_col = '排名')
data.head()
 
 
 
data = pd.read_excel(io, sheet_name = '英超射手榜', index_col = [0, 1])
data.head()
 
 
6、usecols，需要读取哪些列
 
可以使用整型，从0开始，如[0,2,3]；
可以使用Excel传统的列名“A”、“B”等字母，如“A：C, E” ="A, B, C, E"，注意两边都包括。
usecols 可避免读取全量数据，而是以分析需求为导向选择特定数据，可以大幅提高效率。
data = pd.read_excel(io, sheet_name = '西甲射手榜', usecols = [0, 1, 3])
data.head()
 
 
data = pd.read_excel(io, sheet_name = '西甲射手榜', usecols = 'A:C, E')
data.head()
# 啊？什么！！为啥不见C罗？？
# 大佬，C罗转会去尤文图斯啦~~~~
 
 
 
7、squeeze，当数据仅包含一列
 
 squeeze为True时，返回Series，反之返回DataFrame。
data = pd.read_excel(io, sheet_name = 'squeeze', squeeze  = True)
data.head()
 
 
data = pd.read_excel(io, sheet_name = 'squeeze', squeeze  = False)
data.head()
 
 
8、converters ，强制规定列数据类型
 
 
converters = {'排名': str, '场次': int}， 将“排名”列数据类型强制规定为字符串（pandas默认将文本类的数据读取为整型），“场次”列强制规定为整型；
 
 
主要用途：保留以文本形式存储的数字。
 
data = pd.read_excel(io, sheet_name = 'converters')
data['排名'].dtype
 
 
data = pd.read_excel(io, sheet_name = 'converters', converters = {'排名': str, '场次': float})
data['排名'].dtype
 
 
 
9、skiprows，跳过特定行
 
 skiprows= n， 跳过前n行； skiprows = [a, b, c]，跳过第a+1,b+1,c+1行（索引从0开始）；
使用skiprows 后，有可能首行（即列名）也会被跳过。
data = pd.read_excel(io, sheet_name = '英超射手榜', skiprows = [1,2,3]) 
# 跳过第2,3,4行数据（索引从0开始，包括列名）
data.head()
 
 
 
data = pd.read_excel(io, sheet_name = '英超射手榜', skiprows = 3)
data.head()
 
 
10、nrows ，需要读取的行数
 
如果只想了解Excel的列名及概况，不必读取全量数据，nrows会十分有用。 
data = pd.read_excel(io, sheet_name = '英超射手榜', nrows = 10)
data
 
 
11、skipfooter ， 跳过末尾n行
 
data = pd.read_excel(r'C:\Users\Administrator\Desktop\data.xlsx' , 
                     sheet_name = '英超射手榜', skipfooter = 43)
#  skipfooter = 43， 跳过末尾43行（索引从0开始）
data
 
 
欢迎搜索今日头条“海阔天空爱阅读”，欣赏更多文章~~