EXCEL 下拉菜单 序列的应用

由于业务经常用EXCEL导入,于是平时制作EXCEL模板就无法避免了。
下面是网上找的一篇下拉菜单的制作的文章,很不错,解决了我一个大难题。

[应用一]下拉菜单输入的实现

例1:直接自定义序列
有时候我们在各列各行中都输入同样的几个值,比如说,输入学生的等级时我们只输入四个值:优秀,良好,合格,不合格。我们希望Excel2000单元格能够象下拉框一样,让输入者在下拉菜单中选择就可以实现输入。
操作步骤:先选择要实现效果的行或列;再点击"数据\有效性",打开"数据有效性"对话框;选择"设置"选项卡,在"允许"下拉菜单中选择"序列";在"数据来源"中输入"优秀,良好,合格,不合格"(注意要用英文输入状态下的逗号分隔!);选上"忽略空值"和"提供下拉菜单"两个复选框。点击"输入信息"选项卡,选上"选定单元格显示输入信息",在"输入信息"中输入"请在这里选择"。

例2:利用表内数据作为序列源。
有时候序列值较多,直接在表内打印区域外把序列定义好,然后引用。
操作步骤:先在同一工作表内的打印区域外要定义序列填好(假设在在Z1:Z8),如“单亲家庭,残疾家庭,残疾学生,特困,低收人,突发事件,孤儿,军烈属”等,然后选择要实现效果的列(资助原因);再点击"数据\有效性",打开"数据有效性"对话框;选择"设置"选项卡,在"允许"下拉菜单中选择"序列";“来源”栏点击右侧的展开按钮(有一个红箭头),用鼠标拖动滚动条,选中序列区域Z1:Z8(如果记得,可以直接输入=$Z$1:$Z$8;选上"忽略空值"和"提供下拉菜单"两个复选框。点击"输入信息"选项卡,选上"选定单元格显示输入信息",在"输入信息"中输入"请在这里选择"。

例3:横跨两个工作表来制作下拉菜单
用INDIRECT函数实现跨工作表

在例2中,选择来源一步把输入=$Z$1:$Z$8换成=INDIRECT("表二!$Z$1:$Z$8"),就可实现横跨两个工作表来制作下拉菜单。


[应用二]自动实现输入法中英文转换

有时,我们在不同行或不同列之间要分别输入中文和英文。我们希望Excel能自动实现输入法在中英文间转换。
操作步骤:假设我们在A列输入学生的中文名,B列输入学生的英文名。先选定B列,点击进入"数据\有效性",打开"数据有效性"对话框;选择"输入法"对话框,在"模式"下拉菜单中选择"关闭(英文模式)";然后再"确定",看看怎么样。


[应用三]数据唯一性检验

员工的身份证号码应该是唯一的,为了防止重复输入,我们用“数据有效性”来提示大家。

操作步骤:选中需要建立输入身份证号码的单元格区域(如B2至B14列),执行“数据→有效性”命令,打开“数据有效性”对话框,在“设置”标签下,按“允许”右侧的下拉按钮,在随后弹出的快捷菜单中,选择“自定义”选项,然后在下面“公式”方框中输入公式:=COUNTIF(B:B,B2)=1,确定返回。以后在上述单元格中输入了重复的身份证号码时,系统会弹出提示对话框,并拒绝接受输入的号码。

转载于:https://www.cnblogs.com/goodyao/archive/2009/07/21/1527620.html

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