6 获取数组中最小值_批量获取相同产品的最低单价?

本技巧是学院第702个原创office技巧。

往期技巧查询

请访问学院官网:www.zloffice.net

 -----------------------

前几期的职领office讲师的技巧是不是都很有高难度,今天牛闪君继续给大家发布office职场技巧,还是来自社群小伙伴的提问,同样欢迎大家积极进群共同进步。

今天的问题如下,如何能够获取相同商品的最小单价?赶紧来看看Excel文件截图。

大致意思是如果车的单价的最小值是1,所以在D返回车的最小值1。

5ee489aa0b0ed8e582296efd4166e122.png

这类问题到底应该解决呢?其实思路也很简单,要获取最小值首先要用到MINI函数,接下来的问题就是如何获取范围,例如要求车的最小值范围就是min(B5:B7)。房的最小值,则范围就是min(B8:B 10),显然用手动输入Min函数的方法不是最高效的。所以就需要做判断,例如凡是物品等于车的就能自动获取这个范围,所以这个时候if函数出场,默认if函数只能对某一个单元格的内容进行判断,我们这里需要用到区域范围,所以要用if函数的数组功能,所以这类问题一下子就上升了到高级难度,其实理解的话也不难,赶紧操练起来。

1112a4ccfd346924b21e29d157b6ada1.gif

注意公式=if(B5:B15=B5,C5:C15)表达的含义是,如果物品这个大范围里面有等于车的区域,这在对应的单价区域里获得车对应的区域。然后在这个区域前面再套一个MINI函数,动图效果如下:

958c7be9186c65e39c06619242833df7.gif

注意公式 =MIN(IF(B5:B15=B5,C5:C15)) 输入完毕后,需要按住ctrl+shift,再按enter才能确保公式运算正确,这是因为IF函数判断出来的是一个区域,而不是一个唯一单元格。要用到数组公式的输入方法,就是ctrl+shift+enter三键盘确定。

接下来向下双击单元格填充柄,函数就会逐行判断每个区域的范围,从而得到单价的最小值。

注意再向下双击前,需要将区域的范围按F4加上美元的锁定符号,防止公式的区域发生相对的移动。

6f17d45b9158885357e672868623193c.gif

事实上IF+MINI,还是IF+MAX已经成为了一个固定搭配,专门解决区间获取最大或最小值的经典案例,强烈推荐职场人士掌握。

最后补充一点,如果你只是需要产品的最小值,最快的方法用数据-删除重复项的方法快速获取,只是会破坏原有数据的结构。记得先对单价进行升序排列哈。具体看动图操作。

667150e3524047c9b4ea79021a3d2357.gif

最后,职领office达人学院的学习平台终于也支持电脑屏幕观看啦。只要在微信公众号底部菜单订阅过付费还是免费的小伙伴们,

9832030df89a3700d6cd4d607f659224.png

都可以登录www.nboffice.cn(如果手机登录就是手机版学习平台,如果是电脑网页登录就是网页版学习平台),然后扫码登录,就可以学习已付费的课程,不用再次收费。同样支持永久观看。

具体操作如下:

电脑浏览器输入www.nboffice.cn进页面。

www.nboffice.cn

对就是牛Boffice点cn

7301a21413dcf0b8138b72e22437261e.png

找到已付费订阅或免费的教程,用手机扫码,就可以直接看啦

欢迎加入职领office社群答疑群

加学院客服MM微信:

vicky     ID:  zloffice11

小婷       ID:zhilingkkAimee   ID:  zhilinglulu

暗号:牛闪闪

ca4287e640f7cdac1d4b06b4b08406c4.png

80b8993031bbb0fe50503e70a3ec3e1b.png

最后打卡学office技巧!

扫码进入,每天都在进步!

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