如果你经常跟各类数据、表格打交道，一定明白Excel的重要性。
 
 
 
 
 
 
 
 面对大量的数据，记录辛苦，汇总更辛苦。面对复杂的表格，搞不定，那是真搞不定；做不对，更是常态。
 
 
 
 
 
 
 
 对职场人而言，掌握Excel，其实是在解放自己。如果能更快、更准确地完成老板交给的任务，离升职加薪就会比其他同事更近一步。
 
 
 
 
 
 
 
 
 
 
 
 
 
 今天我要介绍大数据社群里的一位用Excel做数据分析的大牛给大家认识。
 
 
 
 
 
 
 她就是 胡艳 ，现在全球500强知名外企供应链部门，负责材料采购及数据分析工作。胡艳有10年使用Excel进行数据分析的实战经验，通过Excel技巧已实现了以下功能：
 
 
 
  
 1. 搭建平台，用于货品生命周期各个关键节点的时间安排，并实时更新，满足用户的需求。 
 
  
 2. 预测价格趋势，控制成本。 
 
  
 3. 监控货品入库情况，提高准时交货率。
 
  
 4. 控制库存，降低财务现金流压力。
 
 
 
 
 
 
 
 
 这次她将自己多年使用Excel进行数据分析的实践经验毫无保留的进行分享。通过一个具体的案例，让你1小时将轻松学会以下知识：
 
 
 
 
 
 
 
  
 第一部分 如何对数据进行预处理
 
  
 1.1 如何去除数据列空格
 
  
 1.2 如何规范数据源中错误格式的值
 
  
 1.3 如何拆分单元格
 
  
 1.4 时间格式数据处理
 
  
 
 
 
  
 第二部分 利用数据透视表进行分析
 
  
 2.1 数据透视表的搭建
 
  
 2.3 透视表内比率分析
 
  
 
 
 
  
 第三部分 利用图标进行数据分析
 
  
 3.1 柱状图
 
  
 3.2 折线图
 
  
 3.3 帕累托图
 
  
 3.4 三维分离饼图
 
  
 3.6 气泡图
 
 
 
 
 
 
 
 
 强大的Excel适用于不同行业，利用Excel技巧，它将会为你达到行业需求、目标做出正确的指引和支持。哪怕在生活中，Excel也会为我们提供不小的帮助。
 
 
 
 
 
 
 
 
 
 通过本次课程，你将收获什么 
 
 
 
 
 
 
  
 收获思路：Excel和想象的不一样，从此走向正途；
 
 
  
 收获技能：会用Excel进行数据分析，几招解决80%的问题；
 
  
 收获幸福：再不愁做报表，再不用老加班，再不和隔壁部门吵架，原来你早该这么玩Excel。
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

  
 
 
 
 
 
 
 
 
 
  
 
    
   
 微信扫一扫
 关注该公众号
 
  
 
 
 

import cv2
import numpy as np
import xlrd

def LoadPredictDataFromExcel():
    #文件位置
    ExcelFile=xlrd.open_workbook(r'..\0221_To_Teves训练数据.xlsx')
#获取目标EXCEL文件sheet名
    print (ExcelFile.sheet_names())

    sheet = ExcelFile.sheet_by_name('Sheet1')
#打印sheet的名称，行数，列数
    print (sheet.name,sheet.nrows,sheet.ncols)
#获取整行或者整列的值
    BackgroundDist = sheet.col_values(5)

    ForegroundDist = sheet.col_values(1)

    ForegroundArea = sheet.col_values(2)

    offset = sheet.col_values(3)

    BackgroundDist.pop(0)

    ForegroundDist.pop(0)

    ForegroundArea.pop(0)

    offset.pop(0)

    data = np.vstack((BackgroundDist, ForegroundDist, ForegroundArea))

    data = data.transpose()

    data = np.array(data,dtype='float32')

return data, offset

if __name__ == '__main__':
    data, offset  = LoadPredictDataFromExcel()

    SVR = cv2.ml.SVM_load('SVRModel.xml')#('NearModelPara.xml')

    result = SVR.predict(data)


    result = result[1].ravel()

    result = result.tolist()
print(result)
print(offset)
for i in range(len(result)):
        for j in range(len(offset)):
            flag = 0
            if offset[j] == result[i]:
                flag = 1
                break
        if flag == 0:
            print(result[i])

 
 

 
Excel数据分析案例三——预测销量

 
题目：有某服装实体店5.1~5.24每天的销售数据表，要求根据现有的销量数据预测接下来一星期，也就是5.25 ~ 5.30的销量，图表大致信息如下
 
 此时需要用到Excel对按照时间序列进行的数据进行分析，使用到预测工作表，步骤如下
 ①单击销量表的任意一个单元格，选中数据菜单 - 预测工具表，蓝色部分为已有数据，红色部分为预测数据
 工作表用到的统计学模型为时间序列预测，用到了移动平均法和指数平均法
 
 根据题目，需要将预测结束时间调整到5.30，点开【选项】可以设置其他参数
 
 置信区间：预测准确的概率要尽可能大，数值范围要尽可能小，所以置信区间一般选择95%，意思是数据有95%的概率在上下两条红色线之间
 季节性参数：即为周期性，数据变化会有周期性，可以自动检测也可以手动设置
 日程表范围：日期列
 值范围：需要进行预测的数据列
 填充缺失点：如果缺失点的占比超过了30%，选择0，如果没有超过，则选择内插，会使用缺失点附近的平均值的数据进行填充
 聚合重复项：一个时间有多条数据，默认取平均值进行计算，也可以选择其他聚合方式
 
②点击【创建】即可创建新的sheet，内容为预测数据集
 
 蓝色折线：原始数据集
 上下两条黄线：置信的上限和下限
 中间的加粗黄线：趋势预测线，介于上下线之间的范围，即为中间值，未来趋势最有可能按照这条线进行发展

一、线性回归
 1.定义
 线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。其表达形式为y = w’x+e，e为误差服从均值为0的正态分布。
 回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。
 2.操作
 （1）准备数据
 
 本文介绍的是简单的一元线性回归。准备好数据之后，一定要分清楚自变量和因变量。样本数据中很明显销售量属于自变量，而销售额属于因变量。
 （2）绘制散点图
 
 绘制散点图的目的是先大致观察一下这两个变量之间是否存在线性相关性，正相关还是负相关。很明显，销售量和销售额具有线性正相关性。
 （3）预测结果
 当老板问你：“小样儿，如果这个月的销售量是80，根据以往经验看，销售额能达到多少啊？”
 
 FORECAST——这个函数可以用于通过一条线性回归拟合线返回一个预测值。
 语法如下：
 第一个参数为预测值，第二个参数为因变量的值，第三个参数为自变量的值。
 
 二、相关系数
 1.定义
 相关系数是最早由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量，一般用字母 r 表示。由于研究对象的不同，相关系数有多种定义方式，较为常用的是皮尔逊相关系数。
 在实际工作过程中，主要研究两个对象之间是否具有线性相关性，以及相关程度有很大。比如，购买奶粉的顾客是否也会购买尿不湿，这两者之间的关联度有多大？就可以计算出两者的相关系数大小从而得出结论。
 2.操作
 （1）准备数据
 
 （2）绘制散点图
 
 **注意：配图有点问题，应该为散点图！！主要是数据是编的，大家理解原理即可！**绘制散点图的目的是初步定性的分析一下，两者是否具有相关性。
 （3）相关系数
 
 CORREL——这个函数可以用来返回两组数值的相关系数。
 语法如下：
 第一个参数为计算相关系数的对象1的值，第二个参数为计算相关系数的对象2的值。
 结果显示，两者的相关系数为0.648，可以认定两者存在相关性（r>0.6）,一般大于0.6可认为两者属于强相关。进一步说明，买奶粉的顾客中买尿不湿的顾客也很多（反过来也可以解释），可以指导实际零售商进行商品的摆放等操作。