excel 案例素材_Excel中身份证号码的查重问题

本文介绍了在Excel中处理身份证号码查重时遇到的问题,即Excel将17位差异的号码误判为重复值。原因是Excel在处理全数字文本时仍按数字判断,仅比较前15位。通过调整解决了这个问题,确保正确识别不同身份证号码。
摘要由CSDN通过智能技术生成
在如下图所示的身份证号码中,已知可能存在重复,如何能够快速将其找出呢?使用条件格式,是一个很好的选择。选中标题下方的所有数据,在“开始”选项卡,单击“条件格式”下拉按钮,在菜单中单击“突出显示单元格规则” → “重复值”,在弹出的对话框中,直接单击“确定”,就可以了。

fa968e864e8d4ce35a057f47b082aa27.png

下面是得到的结果,可以看到有3组重复值(此前对数据已经进行了排序)。原来如此简单!但不要高兴过早,仔细检查发现,第26和27行的两个号码,其实并不相同,但Excel也将其标记成为了重复值。Excel这样的经典工具,竟然会犯这样的低级错误吗?原因在于,当身份证号码全部是数字的时候,虽然已经是文本格式,但Excel 中的函数依然会将其当做数字来判断,因此只能比较前15位,而本例子中的第26和27行数据的差异位于第17位,这样就导致判断为相同了。

cc82bac22049c1b1bd0f64a642e8f4a1.png

那么,该如何避免这个问题呢?我们现在将刚刚设置的条件格式清除,在“开始”选项卡,单击“条件格式”,在菜单中选择“清除规则” →“清除整个工作表的规则”,删除之前的条件格式规则。然后选中所有数据,重新在 “开始”选项卡, 单击“条件格式” ,在菜单中 选择 “新建规则 ”,在打开的对话框中,规则类型设置为“使用公式确定要设置格式的单元格”,并输入公式“=COUNTIF($A$2:$A$54,$A2&"*")>1”,然后适当设置格式,例如此处的蓝底白字。这个公式的含义是判断每个单元格在该列数据中出现的次数,如果大于1次,则作为重复值,为避免Excel将单元格作为数值判断,只比较前15位,我们在Countif()函数的第二个参数,也就是条件参数那里,设置为$A2&"*",星号代表任意的字符,这样公式就会将单元格作为文本处理了。需要注意的是2前面一定不要有美金符号,这样才能对整列进行判断。

2fd1c73511da6b99846ed62f01821ad7.png

最终的完成结果如下图所示,可以看到第26和27行已经不会再被作为重复值处理了,问题完美解决。如需下载案例素材,请关注公众号,并回复 “ I”  ,下载和解压密码均为 “ 51ds ”  。

647d669caa0ba59f392e5133564a0330.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