345取出值怎么算角度_条件求和函数SUMIF运行原理是怎样的呢?条件和求和范围怎么选?...

本文详细介绍了Excel中的条件求和函数SUMIF的运行原理,强调了“条件区域”与“求和区域”必须一致的重要性。通过实例解析了SUMIF函数如何匹配和累加数据,并解释了当区域不一致或存在空单元格时可能出现的计算偏差问题。
摘要由CSDN通过智能技术生成

大家好,欢迎大家来到Excel函数小课堂。

条件求和函数SUMIF,我想大家应该都听说过,而且好多的人应该都会用。不过,大家知道这个函数是怎么实现按照条件求和的吗?我们今天就来探讨一下这个函数的运行原理和过程。

12b51d25f9fe11c832609d00651526c4.png

大家在开始学习这个函数的时候,不管是听老师说的还是看教程上的说明,都应该知道“条件区域”必须和“求和区域”一致。但是为什么要一致,大家知道吗?

在下图中,我们可以看到,我们的条件区域是固定的,但求和区域不一样,得到的结果就不一样了,那这到底是什么情况呢?

1e7707c6cec05b6b592ed562bf8f001b.png

因为条件求和函数在计算中,不是按照EXCEL的行号来进行计算的。当你给条件求和函数指定了一个区域时,它会单独给该区域中的每一个数据重新编排序号。

就像下图所演示的,当我们选择的区域是A3:A14时,那么第一个数据“A”在函数中对应的序号就是“1”,而不是表格中的第三行“3”。

9fe7f0ab06fab2e6b43ea3b227302c19.png

我们先来看一个错误的演示:

所以呢,在我们下图的公式:=SUMIF($A$3:$A$14,F3,$C$1:$C$16)里面,条件区域的A3单元格对应的是求和区域的C1单元格的数值6,A14单元格对应的是C12单元格,C12单元格后面的数据都被舍弃掉了,那么最后的计算记过就会出现偏差了。

1a2d57f2cb7c353e85cbda13bb0282c6.png

在上图中我们可以看到,在条件求和函数的计算过程中:

  • 当条件A与条件区域中的第一个A相等时
  • 从对应的C1单元格取出数值“6”放到一个单独的“框”里
  • 当条件A与条件区域中的第二个A相等时
  • 从对应的C2单元格取出数值“6”放到“框”里
  • ...... ......
  • 当条件A与条件区域中的最后一个A相等时
  • 从对应的C8单元格取出数值“3”放到“框”里
  • 对这个“框”里的所有值求和,就得到了结果“18”,

不过,这个“18”可不是我们想要的结果。


我们再来看看,正确的结果是什么样的。在下图中,我们可以看到因为“条件区域”和“求和区域”是范围是一致的,所以A3对应的单元格就是C3单元格......A14单元格对应的是C14单元格。

因为对应的区域没有出现偏差,所以最后的当然也不会出现偏差,所以能得到我们需要的结果“4”。

057113bb5c8903c7e9e1d5312e18ac02.png

另外的一种情况就像下图所演示的,“条件区域”和“求和区域”如下图所演示的出现偏差。在函数的运行过程中:

  • 第一个“C”的序号是5,求和区域序号5的值是“1”,取出来放到“框”里。
  • 第二个“C”的序号是6,求和区域序号6的值是“1”,取出来放到“框”里。
  • 第三个“C”的序号是11,求和区域序号11的值是“空”,那就往“框”里放“0”。
  • 第四个“C”的序号是12,求和区域序号12的值是“空”,那就往“框”里放“0”。
  • 最后得到求和结果“2”。

所以在函数运行过程中,当求和区域对应的单元格为空时,SUMIF函数就在最后求和时加“0”。

3b0719e4fbb8cd3eeb332ee95942ea6b.png

小结:条件求和函数SUMIF在使用时,要求“条件区域”和“求和区域”的范围必须一致是由于以下几点原因决定的:

  1. 条件求和函数在计算过程中“条件”和“值”的对应关系跟你的数据表没有关系,只跟你选择的范围区域有关系。
  2. 条件求和函数在斤算过程中,会把“条件区域”和“求和区域”分别按指定范围重新从“1”开始编号,不会采用数据表的序号。
  3. 当“求和区域”的范围大于“条件区域”的范围时,条件求和函数会把多余的数据舍弃掉。
  4. 当“求和区域”里有空单元格时,条件求和函数会取空单元格的值为“0”。
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