xtragrid 某个值 查找_VLOOKUP教程(连载6)——使用VLOOKUP函数一对多查找的思路...

VLOOKUP函数的教程已经分享六篇了,今天算是这个函数的最后一篇基础教程,和大家分享两个问题,一对多查找的思路以及HLOOKUP函数的用法简介。

VLOOKUP一对多查找的思路

当有多条记录与查找值相同时,VLOOKUP只能找到第一个与条件一致的结果,如果要将这些结果都匹配出来,可以使用辅助列实现。

例如要得到指定姓名的所有数据,可以在数据源左边插入一列,使用公式=B2&COUNTIF($B$2:B2,B2)

在姓名后面添加一个序号,再使用公式=VLOOKUP($F$2&ROW(A1),$A:$D,COLUMN(C1),0)

完成结果的匹配,如图所示。

f95ae5a7ab4c0f7cd674ee9dad370dd8.png

提示:对于一些问题使用辅助列可以降低解决难度,就一对多匹配的问题而言,也有不用辅助列的公式,但是比较难以理解,也可以利用高级筛选或者数据透视表等功能去实现,使用VLOOKUP只是其中的一种方法。

VLOOKUP躺下就是HLOOKUP

VLOOKUP是按照条件(第一参数)在数据区域(第二参数)的指定列(第三参数)进行数据匹配;

HLOOKUP则是按照条件(第一参数)在数据区域(第二参数)的指定行(第三参数)进行数据匹配。

两个函数的用法和特点完全一样,形象一点说VLOOKUP是纵向查找,而

HLOOKUP则是横向查找,以下通过两个示例来说明二者之间的差异。

示例1.

查找某个销售人员所有商品的销售数量时,VLOOKUP和HLOOKUP都可以完成,使用HLOOKUP的公式相对简洁一点,如图所示。

53bb142e5f598674a9cf176284a63133.png

公式=VLOOKUP($G$2,$A$1:$E$5,COLUMN(B1),0)中,条件为姓名(必须在查找区域的首列),第三参数需要使用COLUMN实现连续查找的效果;

公式=HLOOKUP(H1,$A$1:$E$5,3,0)中,条件为商品名称(必须在查找区域的首行),第三参数为姓名(张珂)在数据区域中的行数(3),直接向右复制即可得到每个商品在这一行的销售数量。

示例2.

查找所有销售人员某个商品的销售数量时,VLOOKUP和HLOOKUP都可以完成,使用VLOOKUP的公式相对简洁一点,如图所示。

cc4f4e1ff281495880ef18e5062e40a6.png

公式=VLOOKUP(M2,$A$1:$C$5,3,0)使用姓名为查找条件,第三参数直接用3即可得到所需结果;

公式=HLOOKUP($O$1,$A$1:$E$5,ROW(A2),0)使用商品名称(洗衣机)作为查找条件,第三参数需要使用ROW实现连续多行的查找。

提示:比较示例1和示例2可知,两个函数在某些情况下是可以通用的,区别在于查找条件和查找方向发生了转换,相对而言大家更加习惯纵向查看数据,所以VLOOKUP的使用频率远远高于HLOOKUP,有时候换个角度看问题会得到不同的思路,对于灵活运用公式函数解决问题是很有好处的。

本文节选自《菜鸟的Excel函数修炼手册》

bcaa4c2362b6c57af6a138d0f841915e.png

523e4e09202110c01256b9ab5005249a.png
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,能够捕捉数据中的时间依赖性。 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,它们在神经网络中用于添加非线性,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