京公网安备 11010802034615号
经营许可证编号:京B2-20210330
● 有的函数只不过学会了简单的用法
原因:
○ 函数的表象(简单、最表面的用法)而大部分人学习只停留在第一个层次上面,学完函数的表象就停止学习—>产生已经学完函数所有东西的错觉—>没有吃透函数的外延(无法知道函数很多使用技巧)。而我们学不会Excel是方法出现了问题,而不是我们不聪明我们看了大部分的教学案例及教程,但一个又一个的教学案例,按部就班的做,学完就学完了(只说了案例,其他的都没说)

而一个好的Excel教程是这样的:
1、列需求2、举例子3、解决办法4、引出函数的功能(并介绍内涵)5、为什么用这个函数能这样解决问题6、解决问题后介绍更多函数的用法,拓展外延
大部分教程只有前三部份,所以从来没想后几步导致学不好Excel。通过下面三步学习法,正确学习Excel方法吃透内涵拓展外延
■ 我们要学会查看函数完整说明
■ 搜集学习Excel函数大量正向案例和反向案例
■ 结合练习和变化式练习
而大部分人学习函数是这样的
查看一下简答的函数用法,然后百度搜索一下这个函数怎么样,看1~2个案例,自己尝试一下解决问题,然后就没有然后,以为自己就会了。回想一下你是不是这样学习的

案例只会告诉你一种或几种用法,而不是函数的全部信息。解决办法,找到微软官方的函数说明,方法1:Excel软件自带的帮助文档是最全面的,按F1就可以调出来。方法2:用微软自己的bing搜索去查找,网址:www.bing.com
点开函数说明,里面不仅有SUM函数的视频教程,如果网速慢的话还有一步步详细的步骤

一般人如何理解SUM函数呢,SUM函数模型=sum(num1,[num2],……)几个数求和嘛,我们只是停留在这个表面。下面我们来看看官方怎么说,总结如下:
对参数的说明。参数可以是数字,单元格引用,也可以是单元格范围。参数可以是1个,也可以是多个,最多255个
和sum函数关联的用法状态栏求和、自动求和、非连续区域求和。
常见错误比如求和数据类型不一致,删除某一列之类的所以用sum函数,删除行列,插入行列,会带来什么样的影响,都有非常详细的说明
优化的做法一些习惯用法,存在更好的、优化的做法。
其他信息
这是浓缩版,非常全面,如果我们认真看完官方说明文档的话,我们可以掌握很多新知识新技能了
但是只看说明文档还是不够全面的,比如对SUM函数我们还可以深入的问几个问题
①、sum函数里面的参数能不能给它加符号呢如=sum (A,-B)
②、sum函数能否和逻辑运算结合在一起呢?如:统计一个表格里面的男性总数
③、sum函数,加入求和A、B、C、D单元格,其中A是1,B是2,C是false,D是“张三”,会得到什么结果,或是报错?
大家可以动手试一下吧,检验自己创造力的时候到了
3步法(学习重点)
步骤一:探求Excel内含部分
深入问自己如下问题
了解每一个参数的要求(要求的数据类型,边界,特殊情况等)
探索参数超出边界,处理参数类型后的情况(比如参数加负号,参数里嵌套函数,参数缺失……..)
探索函数对参数处理的机制,主要是绝对引用,还是相对引用。当参数里的内容出现缺失,被删除,被插入新行、列等意外情况后,会发生什么情况。
去探索函数基本用法之外,更加巧妙、灵活、超出官方文档的技巧。
等等
不断去探索,去尝试
步骤二:案例学习法
正向案例与反向案例的学习
○ 正向案例:就是别人使用这个函数的方法、技巧、教程、经验
○ 反向案例:就是别人用这个函数遇到的问题,犯的错误,总结的经验,吸取的教训,积累的注意事项等
这个方法与传统学习的不同
1、大部分人学习1~2个案例就结束了,而这里要学习大量的案例,要学就深入学习,结合大量的案例才能弄透
2、大部分人只学习正面的案例,不学习反面的案例
而正向案例反向案例学习有如下阶段:
● 阶段1:搜索阶段(通过搜索引擎、知乎、Excel垂直网站等来搜索正反向案例)
● 阶段2:记录和整理阶段(把案例分门别类,记录到一个笔记里面,一般一个函数一个笔记)
● 阶段3:按照案例,打开Excel,一个一个跟着走。
● 阶段4:写学习总结报告,把案例中的好技巧、注意点浓缩出来,形成自己的经验。
在你的笔记软件(为知笔记。OneNote、有道云笔记等)中新建一个笔记本,名字叫Excel函数相关教程。
步骤三、结合练习和变化式练习
但是完整的Excel函数学习笔记应该包含以下四部分:
官方文档总结
■ 内含思考总结
■ 正反案例学习总结
■ 索引相关教程文章
这样为你以后节约不少搜索及选择的时间,只需要看自己保存的笔记
上面学习步骤亦可以划分三个阶段
★ 阶段一:已解决问题为主
★ 阶段二:以吃透内含为主
★ 阶段三:以拓展外延为主
结束语:在有限时间内尽快解决问题,有针对性的去解决当下问题。而在有空的时候我们可以查一查遇见问题的相关官方文档,并且查阅一些牛人写的博客进行拓展。相信大家进行这样的系统学习,Excel还不是小菜一碟吗!如果我们将这三步法运用到我们的其他学习生活中,效率是不是更高效呢
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13