Excel 从入门到表格分析(三)
查找与引用函数
这一节我们主要关注在查找与引用函数中使用次数非常多的VLOOKUP
函数。VLOOKUP
函数的主要场景是先匹配再引用。这样的场景其实和数据库领域中的JOIN(连接)函数是十分类似的。在数据库领域中,JOIN操作主要是将两个表或者多个表的对应key(键值)进行关联,然后合并两个表的属性从而形成一个大表。VLOOKUP
函数是针对某一单元格的值与选中的参考列中所有的值进行匹配,如果匹配成功,则填充指定第i
列中对应行的值(相当于将第i
列合并)。VLOOKUP
的参数是VLOOKUP(lookup_value, table_array, col_index_num, [range_lookup])
。其中,lookup_value
即为想要匹配的key,table_array
即为想要JOIN的表,JOIN的主键为table_array
的第一列,col_index_num
为如果匹配成功则输出table_array
中第col_index_num
列的值,[range_lookup]
表示是使用模糊查询还是精准查询。注意,这里的模糊查询并非传统字符串意义上的模糊查询,而是搜索过程从精准查询的逐个遍历改成二分查找,如果匹配的列并非排序后的值,或者并非能找到匹配的值,模糊查找的结果有可能是错误的,所以建议使用精确查找:range_lookup=0
。
下面我们举一个数据库中常见的例子,来看看如何使用VLOOKUP来实现类似JOIN的功能。假设我们有两个数据表,CUST表存有用户ID和用户名,另一个表是银行账户表ACC,存有账户ID,用户ID,和余额,具体如下图:
现在的需求是要将用户名填充至第二个表,用来展示每个用户名和其对应账户的存款。如果使用数据库SQL语言,可以输入:SELECT ACC.acc_id, CUST.name, ACC.balance FROM CUST, ACC WHERE CUST.cust_id = ACC.cust_id;
,这里的SQL使用两个表的用户ID作为JOIN的key,从而实现关联。如果使用VLOOKUP
实现用户名加入到ACC表中的功能,lookup_value
为ACC表中CUST_ID
的每一行;table_array
为想要合并的参考表CUST的单元格位置,包含列CUST_ID
和Name
(注意,在参考表CUST中JOIN的主键一定是第一列,这里我们想要JOIN的主键是CUST_ID,所以CUST表符合VLOOKUP
的要求。否则,我们需要将CUST_ID
移动至第一列。); col_index_num
为2,因为想要合并的属性Name
在CUST表中的第二列;range_lookup
为0,使用精确查询。我们首先填写ACC表中Name
的第一行,然后可以使用EXCEL自动填充完成Name
的其他行。第一行的VLOOKUP
函数应该为VLOOKUP(N18,J17:K20,2,0)
。这里,N18
指ACC表中CUST_ID
的第一行,为ACC表中的JOIN主键;J17:K20
是指CUST表的单元格位置;2
是指要合并的Name
属性在CUST表的第二列;0
为精确查询。然后,我们使用自动填充功能完成Name
一列的填充:
我们注意到,填充后的内容并非正确。随着行数的增加,参考表的位置也在增加:从
J17:K20
增加到J20:K23
,这和我们期望的ACC表的单元格位置是不符合的。这种情况是因为由于我们使用了EXCEL的相对引用机制,自动填充增加了行数,对应的参考单元格的位置也会递增。如果想要禁止参考单元格发生递增,可以使用EXCEL的绝对引用机制:将之前填写的CUST表的单元格J17:K20
改为$J$17:$K$20
,这里的
$
符号表示绝对引用。如果使用自动填充机制,绝对引用的单元格位置不会随着行数的增加而变化。所以,我们最终填写的VLOOKUP
函数应该为:
最后得到结果:
这个结果显然是正确的,John对应
CUST_ID=1
,Smith对应CUST_ID=2
,Joan对应CUST_ID=3
。综上,使用VLOOKUP
,我们可以实现两个表格的连接功能。
数据透视表
上一节我们介绍了常用的查找与引用函数VLOOKUP
,通过特定条件匹配和提取对应的数据。这一节中我们将要展示EXCEL更强大的功能——数据透视表。什么是数据透视表呢?在整个数据分析流程中,首先需要按目标确定(也就是问题的定义),然后进行数据的获取与清洗,从而可以进入描述性分析的阶段。描述性分析主要是针对数据的计算、相关性分析,为洞察结论、提出解决方案作出铺垫。比如,我们想要统计招聘岗位的城市分布,我们需要针对不同类型、不同工作地点的招聘岗位,进行计次的统计。那么如何快速实现数据的分类汇总呢?数据透视表可以帮助我们作出这样的多维度的分类汇总(其实,这种多维度的汇总分析与数据仓库中的多维度数立方CUBE的概念十分类似)。
数据透视表(Pivot Table)是一个可以通过拖、拉、拽等图形化界面,快速完成自动化的数据汇总的功能。在使用数据透视表时应该注意,数据不能有任何空行或空列,而且标题只有一行。下面我们用微软官方文档给出的例子来展示如何使用数据透视表。假设我们现在有以下这张表:
这张表有几个维度:日期、购买者、类型、金额。一般我们使用数据透视表做多维度分析,对于数值型数据,我们经常会使用各种数值聚合(统计)函数,比如求和、平均等。对于非数值型数据(类别数据),我们经常使用计次运算来统计对应的分布。在插入数据透视表以前,我们首先选中表中的一个单元格,然后在插入选项中选择数据透视表(Pivot Table)。在创建数据透视表时,需要选择表格的区间范围,同时需要选择将数据透视表创建在新的工作表还是当前工作表的某个位置。为了方便查看,我们将数据透视表创建在当前表格中表格的右边。
随后,EXCEL会自动弹出数据透视表的设置栏。设置栏的上部是可以选择的字段,下部是透视表的行、列和想要统计的指标值。如果我们想统计不同购买者,对于不同类型的商品购买金额的情况,我们可以选择购买者、类型字段作为行指标,金额的求和(SUM)作为计算的值(VALUES):
可以生成以下数据透视表:
如果我们将购买者从行指标移动到列指标:
可以发现,数据透视表会展示出每个购买者对于每个商品的购买金额的总和:
考虑我们之前使用的招聘数据,如果我们想要统计不同地区的职位数量,之前的章节是使用SUMIFS或者COUNTIF完成,其实我们可以使用数据透视表来完成。我们选择城市作为行指标,数值指标为城市的计次(COUNT):
数据透视表会展示出每个城市的职位数量:
如果想让数据变得更加直观,我们可以根据数据透视表画出对应的柱状图。选择数据透视表工具栏中的数据透视图(PivotChart),选择柱状图作为样式,我们就可以获得如下柱状图:
可以看出,北京、上海、广州、深圳这四大一线城市提供的数据分析相关的工作的职位数比其他城市要多,其中,北京的职位数最多。
综上,通过灵活地选择对应的维度和所要计算的数值,加上简单的拖动操作,我们就可以快速生成不同维度下的统计指标,从而提升了分析效率。如果数据发生改变,我们需要通过数据透视表中的刷新功能,重新计算数据透视表。
认识图表
上一节我们介绍了十分常用的数据汇总工具——数据透视表。使用数据透视表只能够提供数据汇总的表格,但表格本身不如图形更加直观。这一节我们主要关注在数据可视化中有哪些常见的图表类型。
我们经常需要对数据做对比分析,即分析数据项之间的大小关系。在这种情境下,通常我们会给出折线图或者直方图。比如,我们想要了解在一年12月份中,数据分析岗位数目的变化趋势。那么我们可以绘制一个折线图,横轴是1月到12月,纵轴是每个月的职位数目。这样,我们可以清楚地看到职位数目随着月份的变化的走势。同时,为了对比不同城市的职位数目,我们可以画出以横轴为城市,纵轴为职位数目的柱状图。这一类突出体现数据变化程度,或者是比较数据大小的图表类型,称为比较型图表。基于以时间线为横轴(比如,1月-12月)的折线图,可以称为时序数据。
在进行对比分析后,我们可能会发现一些变量之间可能存在某种相关性。为了描述这样的相关性,一般会将可能相关的两个变量画成散点图,如果散点图的趋势用直线拟合的斜率为正值,则大致为正相关,反之则为负相关。我们称能反映变量之间的相关性的图表为关系型图表。
我们还是用招聘数据作为例子来看城市和职位数量之间的相关性。由于城市是类别数据,我们使用城市的GDP作为代表城市的一个指标,从而得到城市gdp与职位数量的表格:
在插入菜单栏中,选择图表中的散点图样式,即可画出对应gdp与职位数量的散点图:
注意到,我们可以使用散点图中的添加趋势线功能,用线性函数拟合散点图,从而得到函数的斜率。在这个例子中,斜率为
0.081
,虽然为正值,但相关性不是特别强。所以,我们可以得出城市的gdp与职位数量有微小的正相关性。
如果想要体现数据分布的密集程度,我们可以使用常见的直方图。直方图中的柱体高度代表出现的频率,每个柱体顶部连成一条线,可以得出大致的数据分布。对于文字型数据,我们也可以采用新型的词云图,出现的词或字越大,说明这个词或字在数据集中的出现频率高。这两种可以反映数据分布密集程度的图表,我们称为分布型图表。
如果想要知道某一类别占比总类别的大小,我们可以使用常见的饼图。根据不同城市的招聘职位数目,我们可以画出如下饼图:
这幅图可以清楚地展示出北京、上海、深圳的职位数目占比较高,北京的占比最高。如果想要展示出饼图内每个模块的占比,可以使用图表的添加图表元素(Add Chart Element)中的数据标签(Data Labels),然后选择对应的样式。但是打印出数据标签为每个模块的频数,而不是频率。如果我们想得到对应的频率(百分比),我们可以点击对应的数据标签,然后右键选择设置数据标签格式,在弹出的属性栏中选择百分比,并取消显示“值”。最后我们可以得出比较直观的饼图:
综上,我们可以总结一下常见的数据图表,折线图、直方图、散点图、饼图的用法: