百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

掌握 Excel 「删除重复项」的4种方法,少做 80%的无用功!

ztj100 2025-03-30 23:24 71 浏览 0 评论

在Excel中,删除重复项是数据清理和整理的常见任务,有多种方法可以实现这一目标。

今天咱们就来学习4种最常见的删除重复项的方法,包括使用内置的"删除重复项"功能、数据透视表、高级筛选、函数公式。

选择适合你需求的方法,轻松去除Excel中的重复数据。

01删除重复值

选中数据区域,单击【数据】-【删除重复值】,在弹出的【删除重复值】中,选择【确定】。

这样,重复的【姓名】及其对应的【成绩】就被删除啦~


02数据透视表

选中数据区域,单击【插入】-【数据透视表】。

在弹窗中,选择【现有工作表】,【位置】选择当前表的任一空白单元格即可,然后【确定】。

确定后会得到一个空白的透视表,再把右侧的字段拉到行标签,透视表会自动剔除重复值。


03高级筛选


在弹窗中,选择【将筛选结果复制到其他位置】,【复制到】选择当前表的任一空白单元格,然后勾选【选择不重复的记录】,点击【确定】。


会得到一份删除重复值的数据表。


04函数公式

(1)UNIQUE函数

UNIQUE函数:是从给定的数据范围中提取唯一的数值或文本。

单击空白单元格,在公式栏输入公式:=UNIQUE(A1:B11),然后按【Enter】键,会得到一份删除重复值的数据表。

注意:

目前UNIQUE函数是Office 365才有,较旧版本的Excel(如Excel 2019、Excel 2016等),则可能没有UNIQUE函数。

而WPS的话,输入公式需要注意,先选出和原数据表一样大的区域范围,再在公式栏输入公式,最后按【Ctrl+Shift+Enter】组合键。


(2)COUNTIF+VLOOKUP函数

COUNTIF函数:统计某个范围内满足给定条件的单元格的数量。

语法结构:COUNTIF(区域,条件)

VLOOKUP函数:在一个表格或范围中查找指定值,并返回与之对应的值。

语法结构:VLOOKUP(查找值,查找区域,列号,匹配类型)

①辅助列1

先在数据源左侧插入2列空白列,然后先计算【辅助列1】,单击B2单元格,公式栏输入公式=COUNTIF($C$2:C2,C2),统计截止当前单元格区域,当前行的姓名是第几次出现。结果不为1的就是我们需要剔除的重复数据。

②辅助列2

接着计算【辅助列2】,单击A2单元格,公式栏输入公式=COUNTIF($B$2:B2,1),统计截止当前单元格区域,1出现的次数。【辅助列2】就得到剔除重复数据后的序号。

③VLOOKUP匹配

最后在右则空白区域补充一个标题,单击H2单元格,公式栏输入公式:=VLOOKUP(ROW()-1,A:D,3,0),公式下拉,得出删除重复项后的姓名名单。

公式解析:

ROW():这个函数返回当前单元格所在的行号。公式写在第2行,ROW()结果为2,ROW()-1结果为1,往下填充公式,对应的查找值依次是1,2,3,4,5,6,7,8

A:D:表示要进行查找的表格或范围,包括要查找的值和相关的结果。这里是A列到D列的范围。

3:表示要返回的结果所在的列号,即在A:D范围中的第3列【姓名】。

0:表示进行精确匹配,即只返回完全匹配的结果。


在姓名的公式基础上,把VLOOKUP第3参数修改为4,匹配出对应姓名的成绩。


相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: