一级计算机考试电子表格排序筛选,重新应用Excel排序和筛选或清除筛选

一旦对Excel单元格区域或表列中的数据进行了筛选或排序,就可以重新应用筛选或排序以获得最新的结果,或者清除筛选以重新显示所有数据。

了解有关重新应用筛选和排序的详细信息

要确定是否应用了筛选,请注意列标题中的图标:

·下拉箭头  表示已启用但是未应用筛选。

提示 当您在已启用但是未应用筛选的列的标题上悬停时,会显示一个“(全部显示)”的屏幕提示。

·“筛选”按钮  表示已应用筛选。

提示 当您在已筛选列的标题上悬停时,会显示一个关于应用于该列的筛选的屏幕提示,如“Equals a red cell color”或“Larger than 150”。

当您重新应用筛选或排序时,会由于以下原因而显示不同的结果:

·已在单元格区域或表列中添加、修改或删除数据。

·筛选是动态的日期和时间筛选,如“今天”、“本周”或“本年度截止到现在”。

·公式返回的值已改变,已对工作表重新计算。

注释 当您使用“查找”对话框搜索筛选数据时,将只搜索所显示的数据,而不搜索未显示的数据。若要搜索所有数据,请清除所有筛选。

重新应用筛选或排序

注释 对于表来说,筛选和排序条件会随工作簿一起保存,因此,您每次在打开工作簿时都可以重新应用筛选和排序。但是,对于单元格区域来说,只有筛选条件才随工作簿一起保存,而排序条件则不会随之保存。如果您希望保存排序条件,以便在打开工作簿时可以定期重新应用排序,那么最好使用表。对于多列排序或者需要很长时间才能创建的排序来说,这尤其重要。

·要重新应用筛选或排序,请在“开始”选项卡的“编辑”组中,单击“排序和筛选”,然后单击“重新应用”。

清除对列的筛选

·要在多列单元格区域或表中清除对某一列的筛选,请单击该列标题上的筛选按钮 ,然后单击“从 中清除筛选”。

清除工作表中的所有筛选并重新显示所有行

·在“开始”选项卡上的“编辑”组中,单击“排序和筛选”,然后单击“清除”。来源:考试大-计算机一级考试

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值