告别手动操作:一键多工作表合并的实用方法
ztj100 2025-05-05 20:17 63 浏览 0 评论
通常情况下,我们需要将同一工作簿内不同工作表中的数据进行合并处理。如何快速有效地完成这些数据的整合呢?这主要取决于需要合并的源数据的结构。
当处理源数据时,根据其结构的不同,可以分为几种情况:所有表格的行和列完全一致、仅有列一致但行不同、以及行列均不相同的表格。其中最简单的情形是当表格的行和列都完全相同时,这时我们只需使用VSTACK这样的专用函数就可以迅速完成合并。
对于其他更为复杂的情况,则可能需要一定的技巧来进行预处理。这包括提前清洗和整理数据,确保数据的一致性和准确性之后再进行合并操作。
数据一致
第一种情况是当待合并的数据表在行和列上都完全一致时,比如案例中的数据(表1到表3)都是3行3列的标准二维数据。这种情况下,合并起来就相对简单多了
操作步骤如下:
新建一个工作表,并将其命名为“合并”。
在新表的A2单元格录入以下公式
=VSTACK('1:3'!A3:C5)
公式解释:这条公式会将名为“表1”到“表3”的工作表中,从A1到C3范围内的数据进行垂直堆叠合并。如果后续有新的工作表插入到“表1”和“表3”之间,并且这些新表也遵循相同的数据结构,那么这个公式可以自动地将它们包含进来进行合并
列一致行不一致
第二种情况是当列数一致但行数不同时,例如表1的数据可能有3行,而表2可能有5行。在这种情况下,如果直接按照行列都一致的方法合并,并预留所有工作表中可能出现的最大行数(如100行或1000行),则会导致合并后的表格包含大量的无效空行。
为了解决这个问题,我们可以采用以下方法来合并数据,并有效排除空行:
使用TOCOL 函数结合参数 3 来筛选非空单元格,该函数可以将多列多行的数据转换成一列,并忽略空白单元格。
由于我们最终需要保持原始的列结构(即固定的3列),因此还需要使用 WRAPROWS 函数将单列数据重新转换回多列格式。
综合上述步骤,完整的公式应为:
=WRAPROWS(TOCOL(VSTACK('4:6'!A3:C20),3),3)
公式组成部分分析
1.'4:6'!A3:C20
这部分表示引用工作表 4 到 6 中,从单元格 A3 到 C20 这个区域的数据。'4:6' 代表多个工作表,也就是将这三个工作表中对应区域的数据组合起来。
2.VSTACK('4:6'!A3:C20)
VSTACK 函数的功能是将多个区域或数组按垂直方向堆叠起来。这里它会把工作表 4、5、6 中 A3:C20 区域的数据垂直堆叠成一个大的数组。
3.TOCOL(VSTACK('4:6'!A3:C20), 3)
TOCOL 函数用于将数组转换为单列数组。第二个参数 3 是 ignore 参数,其含义是忽略空白单元格。所以这部分代码会把 VSTACK 函数得到的垂直堆叠数组转换为单列数组,并且会忽略其中的空白单元格。
4.WRAPROWS(TOCOL(VSTACK('4:6'!A3:C20), 3), 3)
WRAPROWS 函数的作用是将单列数组重新排列成多行多列的数组。第二个参数 3 表示每行包含 3 个元素。因此,这部分代码会把 TOCOL 函数得到的单列数组重新排列成每行 3 个元素的多行数组。
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 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...
- 神经网络与传统统计方法的简单对比
-
传统的统计方法如...
- 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...
你 发表评论:
欢迎- 一周热门
- 最近发表
- 标签列表
-
- idea eval reset (50)
- vue dispatch (70)
- update canceled (42)
- order by asc (53)
- spring gateway (67)
- 简单代码编程 贪吃蛇 (40)
- transforms.resize (33)
- redisson trylock (35)
- 卸载node (35)
- np.reshape (33)
- torch.arange (34)
- npm 源 (35)
- vue3 deep (35)
- win10 ssh (35)
- vue foreach (34)
- idea设置编码为utf8 (35)
- vue 数组添加元素 (34)
- std find (34)
- tablefield注解用途 (35)
- python str转json (34)
- java websocket客户端 (34)
- tensor.view (34)
- java jackson (34)
- vmware17pro最新密钥 (34)
- mysql单表最大数据量 (35)