Excel Pivot-Tabellen Teil 3: Fallstudien in der realen Welt | Chris Dutton | Skillshare

Playback-Geschwindigkeit


  • 0.5x
  • 1x (normal)
  • 1.25x
  • 1.5x
  • 2x

Excel Pivot-Tabellen Teil 3: Fallstudien in der realen Welt

teacher avatar Chris Dutton, Founder, Excel Maven

Schau dir diesen Kurs und Tausende anderer Kurse an

Erhalte unbegrenzten Zugang zu jedem Kurs
Lerne von Branchenführern, Ikonen und erfahrenen Experten
Eine Vielzahl von Themen, wie Illustration, Design, Fotografie, Animation und mehr

Schau dir diesen Kurs und Tausende anderer Kurse an

Erhalte unbegrenzten Zugang zu jedem Kurs
Lerne von Branchenführern, Ikonen und erfahrenen Experten
Eine Vielzahl von Themen, wie Illustration, Design, Fotografie, Animation und mehr

Einheiten dieses Kurses

10 Einheiten (1 Std. 49 Min.)
    • 1. S7L1-Erwartungen

      1:45
    • 2. U.S. Wähler

      10:33
    • 3. San Francisco Salons

      13:06
    • 4. Haiangriffe Aufnahmen

      10:31
    • 5. Stock

      12:25
    • 6. Baseball

      14:16
    • 7. San Diego Burrito Bewertungen

      16:40
    • 8. Tägliche Wetterbedingungen

      12:41
    • 9. Spartan Race Facebook

      14:37
    • 10. Zusammenfassung und nächsten Schritte

      2:27
  • --
  • Anfänger-Niveau
  • Fortgeschrittenes Niveau
  • Fortgeschrittenes Niveau
  • Alle Niveaus

Von der Community generiert

Das Niveau wird anhand der mehrheitlichen Meinung der Teilnehmer:innen bestimmt, die diesen Kurs bewertet haben. Bis das Feedback von mindestens 5 Teilnehmer:innen eingegangen ist, wird die Empfehlung der Kursleiter:innen angezeigt.

554

Teilnehmer:innen

--

Projekte

Über diesen Kurs

Dieser Kurs ist Teil 3 einer dreiteiligen Serie die Datenanalyse mit Excel PivotTables und PivotTables behandelt.

PivotTables ist ein wichtiges Tool für alle, die mit Daten in Microsoft Excel arbeiten können. Pivots, die dir schnell die Rohdaten erkunden und analysieren können, zeigen dir mächtige Erkenntnisse und Trends aus dem Raums und die sich ansonsten befeuchten und dir die sich für die einfachsten Fragen zur Verfügung stellen.

Teil 3 ist der letzte Abschnitt des Kurses, in dem wir alles zusammenbinden, was wir in Teil 1 und Teil 2 gelernt haben, und es auf fortgeschrittene Fallstudien anwenden

Wir werden die aktuellen Daten aus einer Reihe von Fallstudien erkunden und analysieren, einschließlich:

  • U.S. (2012)
  • San Francisco Gehälter
  • Shark von 1900-2016
  • Tägliche stock
  • Baseball
  • San Diego burrito
  • Tägliche Wetterbedingungen
  • Spartan Race Facebook-Posts

Voraussetzungen:

  • Microsoft Excel (2010, 2013, 2016), ideal für den PC
  • Mac-Benutzer sind willkommen, aber beachte, dass die welcome, auf den Plattformen unterschiedlich.
  • Grundlegende Erfahrung mit Excel-Funktionalität (Diagramme und Formeln als Plus!)

Triff deine:n Kursleiter:in

Teacher Profile Image

Chris Dutton

Founder, Excel Maven

Kursleiter:in

Chris Dutton is a Certified Microsoft Expert and Founder of Excel Maven, with more than a decade of experience specializing in data science and business intelligence. His work has been featured by Microsoft, the Society of American Baseball Research (SABR) and the New York Times.

Excel Maven provides high-quality online analytics training, hands-on workshops, and project-based consulting services to more than 100,000 students across 180+ countries.

Vollständiges Profil ansehen

Kursbewertungen

Erwartungen erfüllt?
    Voll und ganz!
  • 0%
  • Ja
  • 0%
  • Teils teils
  • 0%
  • Eher nicht
  • 0%
Bewertungsarchiv

Im Oktober 2018 haben wir unser Bewertungssystem aktualisiert, um das Verfahren unserer Feedback-Erhebung zu verbessern. Nachfolgend die Bewertungen, die vor diesem Update verfasst wurden.

Warum lohnt sich eine Mitgliedschaft bei Skillshare?

Nimm an prämierten Skillshare Original-Kursen teil

Jeder Kurs setzt sich aus kurzen Einheiten und praktischen Übungsprojekten zusammen

Mit deiner Mitgliedschaft unterstützt du die Kursleiter:innen bei Skillshare

Lerne von überall aus

Ob auf dem Weg zur Arbeit, zur Uni oder im Flieger - streame oder lade Kurse herunter mit der Skillshare-App und lerne, wo auch immer du möchtest.

Transkripte

1. S7L1-Erwartungen: In Ordnung. Herzlichen Glückwunsch und herzlich willkommen zum letzten Abschnitt der Fallstudien. Und hier werden wir wirklich anfangen, etwas Spaß zu haben. In diesem Abschnitt geht es darum, die Tools, die Sie bisher gelernt haben, zu nutzen und sie auf verschiedene Datensätze und analytische Herausforderungen anzuwenden. So haben wir uns bis jetzt ausschließlich auf unsere IMDB-Daten konzentriert. Aber jetzt werden wir in eine Pivot-Tabelle Fallstudien Datei eintauchen, die eine Reihe neuer Datensätze enthält, die sich eingraben werden, von Börsen- und Social-Media-Daten bis hin zu Haifischangriffen und sogar Burrito-Rankings . Aber bevor wir eintauchen, lassen Sie uns ein paar Erwartungen setzen. Nummer Eins. Ziel dieser Fallstudien ist es, aufzuzeigen, wie die behandelten Konzepte auf eine Reihe unterschiedlicher Datensätze angewendet werden können . Dabei handelt es sich nicht um umfassende Analysen, sondern lediglich um Ansatzpunkte, die Ihnen helfen, diese Werkzeuge in neuen und unterschiedlichen Kontexten zu praktizieren . Nummer zwei einige Daten wurden möglicherweise geändert oder erstellt, um die Demonstrationen zu erleichtern, so dass die meisten der Daten, die Sie sehen, 100% real sind. Beachten Sie jedoch, dass einige Änderungen in bestimmten Fällen speziell für die Zwecke dieses Kurses vorgenommen wurden . So zum Beispiel können zum Beispiel bestimmte Felder bereinigt oder standardisiert oder bestimmte Datensätze hinzugefügt oder entfernt worden sein. Toe helfen, bestimmte Konzepte zu demonstrieren und dann schließlich Hausaufgaben Übungen werden nach jeder Fallstudie zur Verfügung gestellt. Also werden die Übungen jedem meiner Fälle folgen, Einführungen studieren und auf den spezifischen Konzepten aufbauen, die ich abdecke. Ich werde Ihnen, wo immer möglich, Antworten geben, aber wenn Sie zusätzliche Unterstützung benötigen, sich entweder in der Kursdiskussion oder direkt mit mir in Verbindung setzen. Und damit, lasst uns voran gehen und eintauchen. 2. U.S. Wähler: Alles klar. Er sagte, die erste Fallstudie, in die wir eintauchen werden, ist für uns Wähler im Jahr 2012 jetzt, schnelle Datensätze Zusammenfassung. Dies sind Daten zur Einwohner- und Wählerregistrierung des U. S. Census Bureau, aufgeschlüsselt nach Staat und Altersgruppe. So können Sie den Screenshot des Datensatzes hier auf der rechten Seite der Folie sehen. Und was ich hier getan habe, ist tatsächlich die Spaltenüberschriften zu formatieren, um anzuzeigen, womit wir in Bezug auf Dimensionen oder Kennzahlen arbeiten. Also wieder, Dimensionen sind Ihre kategorialen Felder. Kennzahlen sind Ihre numerischen oder quantitativen Felder. Also ist das N gleich 2 55 zeigt nur an, dass wir in diesem Fall 255 Datensätze oder Datenzeilen betrachten , so ziemlich kleiner Datensatz, um Dinge zu starten. Was Faras betrifft, sind Dimensionen. Wir müssen angeben, Alter und Spalten A und B und dann für Maßnahmen. Wir haben Gesamtbevölkerung, Bürgerbevölkerung registrierte Wähler und bestätigte Wähler. Und die Konzepte, die in dieser speziellen Fallstudie abdecken werden, sind berechnete Felder und Werteeinstellungen, insbesondere Prozent der Spalte und Prozent des übergeordneten Elements. Also, lassen Sie uns springen, um zu übertreffen und eintauchen. Na gut, also geh weiter und öffne die Pivot-Tabelle. Fallstudien Datei und springen Sie in die erste Registerkarte. Die US-Wähler 2012 Registerkarte. Und von hier aus können wir A steuern, um Oliver Data auszuwählen. Ich füge eine neue Pivot-Tabelle in ein neues Arbeitsblatt ein und bevor wir eintauchen, lassen Sie uns einfach diesen Blatt-Wählerpivot nennen. Und ich möchte eigentlich diese Registerkarte nur einen hellen Grünton hervorheben. Auf diese Weise wird, wenn wir weiterhin die Fallstudien in dieser Arbeitsmappe durcharbeiten, wenn wir weiterhin die Fallstudien in dieser Arbeitsmappe durcharbeiten, deutlich, welche Registerkarten Rohdaten sind und welche Pivots sind. Also, jetzt, als Analyst, angesichts der Daten, die wir zur Verfügung haben, einige der Fragen, die ich hier gerne untersuchen würde, sind Dinge wie Wie funktioniert die Wahlbeteiligung zwischen Staaten zu vergleichen sind bestimmte Altersspanne ist mehr oder weniger wahrscheinlich um im Allgemeinen abzustimmen. Und halten diese Trends landesweit wahr, oder gibt es staatliche spezifische Erkenntnisse, die wir hier aufdecken können? Wie Sie wissen, sind dies alle Fragen, die Pivot-Tabellen eine ausgezeichnete Beantwortung leisten. Wie Sie wissen, Mal sehen, was wir uns jetzt einfallen können, direkt vom Fledermaus. Lassen Sie uns unsere Daten nach Bundesstaat schneiden und einige der Metriken ziehen, die uns wichtig sind. Moment benutzen wir Bürgerbevölkerung. Da nur Bürger wählen können und bestätigte Wähler dort beginnen. Ich gehe voran und formatiere beide als Zahlen, mit Tausendertrennzeichen und ohne Dezimalstellen. Da gehen wir. Und schließlich sortiere ich meine Staaten, die nach der Bürgerbevölkerung absteigen. So sehen wir, wie erwartet, große Staaten wie Kalifornien, Texas, Florida und New York ganz oben auf unserer Liste. Und dann unten unten, offensichtlich sind weniger dicht besiedelte Staaten wie die Dakotas in Alaska, Vermont und Wyoming. Also keine Überraschungen da Von hier. Ich möchte ein berechnetes Feld hinzufügen, weil ich nicht nur die Anzahl der Bürger und die Anzahl der bestätigten Wähler betrachten möchte, was interessant ist, aber nicht ganz überraschend ist. Was ich tun möchte, ist tatsächlich ein Verhältnis zu berechnen, so dass es aus der Bürgerbevölkerung sehen kann . Welcher Prozentsatz von denen tatsächlich bestätigte Wähler wurde. Es geht also zu Werkzeugen in einem neuen berechneten Feld und benennt diesen Prozentsatz der Wählerbevölkerung und wieder, das wird einfach das Verhältnis der bestätigten Wähler zu der Bürgerbevölkerung drücken OK, wir formatieren dies als Prozentsatz mit einem Dezimalpunkt, so können wir bereits sehen, eine völlig neue Geschichten beginnen hier entstehen. Und wir sehen nicht nur einen staatlichen Vergleich in Bezug auf die Gesamtzahl der Wähler, sondern haben auch ein Verhältnis der förderfähigen Bevölkerung. Also warum gehen wir nicht weiter und sortieren nach unserem neuen Prozentsatz der Wählerzahl, um ein Gefühl zu bekommen , wo wir den größten Anteil der Wähler sehen? Also auf jeden Fall einige interessante Trends hier. Wir sehen District of Columbia oder D. C. an der Spitze der Liste, mit einem Anteil der Wähler von 76,1%. Das macht Sinn. Weißt du, es ist die Hauptstadt der Nation, das politische Herz des Landes. Aber dann haben Sie auch Staaten wie Mississippi in Wisconsin, die als Überraschung für einige kommen, die jetzt auf dem anderen Ende des Spektrums nach unten scrollen, sehen wir West Virginia, Hawaii, Oklahoma und Arkansas. Jetzt ist dies nicht unbedingt die Zeit oder der Ort, um viel tiefer zu untersuchen, warum diese Trends so sind , wie sie sind. Also, was tatsächlich bewirkt, dass nicht die West Virginia Bevölkerung weniger wahrscheinlich in Wähler zu konvertieren im Vergleich zu Massachusetts oder Colorado, zum Beispiel. Aber was ein wirklich interessanter nächster Schritt sein könnte, wäre, einige zusätzliche Daten aus der US-Volkszählungeinzuholen aus der US-Volkszählung US-Volkszählung , die Sie vielleicht hier einbinden können. Vielleicht könnten Dinge wie Pro-Kopf-Einkommen oder Bildungsniveau oder zusätzliche Demographie dazu beitragen, einen zusätzlichen Kontext zu schaffen und Ihnen Werkzeuge geben, um das Warum oder die treibenden Kräfte hinter diesen Wählerquoten, die wir hier sehen, besser zu verstehen . Aber eine zusätzliche Information, die wir zur Verfügung haben, ist das Alter. Lassen Sie uns also fortfahren und das Alter aus unserer Feldliste herausgreifen und Ihre Ansicht als sekundäre Rollenbeschriftungen hinzugefügt haben . Und jetzt, wenn wir durch diese Ansicht schauen, können wir sehen, dass einige zusätzliche Trends entstehen. So, zum Beispiel, in unseren Top-Staaten, neigen wir dazu, wirklich, wirklich starke Wählerzahlen bei älteren Bevölkerungen zu sehen , vor allem im Alter von 65 Jahren und dann im Allgemeinen, die jüngeren Alter Eimer neigen dazu, kleinere Preise zu zeigen, aber immer noch relativ stark. So 62% in D. C innerhalb der 18 bis 24 Jahre alten Bereich knapp 64% 18 bis 24 in Mississippi und dann scrollen bis zum Gegenteil unter dem Spektrum. Eine Sache, die interessant zu sehen ist, ist, dass man immer noch relativ starke Wählerquoten aus den älteren Bevölkerungen bekommt. Nicht ganz stark sind die Top-Staaten, aber immer noch in den fünfziger und sechziger Jahren. Aber wenn man anfängt, die jüngere Altersdemographie zu betrachten, die 18 bis 20 Vieren, dass 25 bis 30 Vieren Sie sehen viel, viel niedrigere Raten hier unten in Staaten wie West Virginia, Hawaii in Oklahoma. Von den 18 bis 24 Jahren in West Virginia zum Beispielwissen Sie,dass es 100 62.000 Bürger gibt, die in diesen Alter fielen, undnur 37.000 wurden bestätigte Wähler, was eine Rate von 22 ist. zum Beispiel Von den 18 bis 24 Jahren in West Virginia zum Beispielwissen Sie, dass es 100 62.000 Bürger gibt, die in diesen Alter fielen, und nur 37.000 wurden bestätigte Wähler, 8%. Ähnlicher Fall in Hawaii, 26.4 27.2 in Oklahoma, noch niedriger in Arkansas. So immer noch ziemlich direktional an dieser Stelle, aber dennoch eine wirklich interessante Einsicht. Nun, das nächste, was ich hier gerne ein bisschen mehr erforschen möchte, ist die Zusammensetzung der Wählerpopulation, und um das zu tun, möchte ich einige unserer Showwerte als Berechnungen verwenden. Warum fangen wir nicht mit einer geraden Gruppe an, um mit dem vollen Zustand in die Filter zu beginnen? Dass ich nur meine Daten anschaue, die von diesen fünf Altersgruppen von hier aus organisiert sind? Wenn wir an der Verteilung der Wählerbevölkerung interessiert sind, ziehen wir einfach eine zweite Instanz bestätigter Wähler hier in Spalte D ein. Und jetzt, anstatt sie einfach ohne Berechnung zu zeigen, Lassen Sie uns sie als Prozentsatz der Spaltensumme zeigen. Nun, was das sagt mir ist, dass unter allen bestätigten Wählern in diesem Datensatz besitzen das Jahr 2012. Ich weiß, dass der größte Anteil dieser Wähler in den Bereich 45 bis 64 fällt, gefolgt von der 65 plus Spanne bei 22%. Und am anderen Ende haben Sie Ihren kleinsten Anteil oder Anteil der Wähler, die in 18 bis 24 fallen. So machen die jüngsten Wähler bundesweit nur 8,54% der Gesamtzahl der bestätigten Wähler aus . Jetzt wird der Status als primäre Rollenbeschriftungen zurückgezogen, und sehen Sie, wie diese Trends auf einer detaillierteren Ebene aussehen. Also in diesem Fall jetzt, anstatt sie als Prozentsatz der Spalte als Ganzes zu formatieren, was ziemlich schwer zu lesen ist, da die Prozentsätze hier wirklich, wirklich klein werden, werde ich diese Berechnung 2% des Elternteils und setzt den Status als mein Elternteil. Und jetzt haben wir eine völlig neue Reihe von Erkenntnissen zur Hand, damit wir in Zustand für Staat bohren und sehen können , wie sich diese Proportionen nach Altersstufen von Ort zu Ort unterscheiden. Also ist D. C zum Beispiel C zum Beispieleine interessante Geschichte. Nur, dass der größte Anteil der bestätigten Wähler innerhalb von D. C tatsächlich aus dem 25 bis 34 Eimer kommen, während die meisten anderen Staaten, wie Mississippi, Wisconsin, Minnesota, zeigen der größte Anteil der Wähler aus dem 45 bis 64 Eimer. Aus welchem Grund auch immer, die Wählerbevölkerung verzerrt in D. C ein wenig jünger als in vielen dieser anderen Staaten und scrollt dann nach unten. Ein weiterer interessanter Einblick, der hier zu sehen ist, dass für diese niedrigen Wählerbevölkerung Staaten wie Oklahoma, Hawaii und West Virginia, weil klein, diese Proportionen sind besonders für die jüngste Altersgruppe 18 bis 24 Jahre. So fielen weniger als 5% der Wähler in Hawaii in den 18 bis 24 Eimer, und nur 6% in Oklahoma fielen in diesen Bereich. Aus welchem Grund auch immer, die jüngeren Bevölkerungen in diesen Staaten scheinen wirklich nicht zu geneigt, da rauszukommen und wählen. Also definitiv eine weitere interessante Geschichte, wirklich gerade erst anfangen, die Oberfläche in einige der interessanten Winkel zu kratzen, die wir mit diesem Datensatz nehmen können . Das ist also unser Kickoff für die Fallstudie der US-amerikanischen US-amerikanischen Wähler. Gehen Sie weiter und geben Sie die Hausaufgaben im nächsten Dozent Schuss und sehen Sie, was Sie sonst noch entdecken können. 3. San Francisco Salons: außer wir haben unsere San Francisco Gehaltsfallstudie Kurzübersicht des Datensatzes. Wir betrachten Gehaltsinformationen von Mitarbeitern der Regierung in San Francisco zwischen den Jahren 2011 und 2013. Also etwas mehr als 24.000 Zeilen oder Datensätze von Daten hier, einschließlich einer Reihe von verschiedenen Dimensionen und Kennzahlen auf der Dimensionsseite, wir haben Mitarbeiter Namen pro Jahr, ihre Mitarbeiter I d und ihre Berufsbezeichnung. Und für Maßnahmen haben wir Lohn, Überstunden Lohn und andere Löhne basiert . Die Konzepte, die in dieser speziellen Fallstudie abdecken werden, sind das Sortieren und Filtern, Gruppieren berechneter Felder und Tabellenlayouts. Also lasst uns reinspringen. Alles klar, in Ihrer Arbeitsmappe für die Pivot-Tabelle, gehen Sie weiter und springen Sie zur Registerkarte „Gehälter“ in San Francisco. Wir werden A kontrollieren, um all die Daten zu schnappen. Wir fügen eine neue Pivot-Tabelle in ein neues Arbeitsblatt ein. Lassen Sie uns voran und benennen Sie einfach diesen Blattgehalt Pivot um und signieren Sie eine Tab-Farbe von hellgrün wieder, nur um eine Art zwischen den Rohdaten und den Pivot-Taps zu unterscheiden. Also zuerst, ziehen wir einen Mitarbeiternamen, nur so dass wir uns Daten auf Mitarbeiterebene ansehen, um zu beginnen, und ich kann die Kästchen aktivieren, um alle unsere Maßnahmen basierenden Lohn, Überstunden und andere Löhne einzubeziehen, und Ich werde einfach in und formatieren alle drei dieser Felder hat Währung, und ich brauche hier nicht wirklich Dezimalstellen, also hier gehen wir. Alles klar, jetzt sind wir formatiert. Ich möchte auch eine neue berechnete Felder einfügen, die nur die Gesamtzahlung aufrufen, weil ich die Summe aller drei dieser Maßnahmen sehen möchte , die Basiszahlung, plus alle im Laufe der Zeit, die jeder verdient plus jede andere Bezahlung als auch. Also, da Sie gehen Total Pay, Eagles Basis plus Überstunden, plus andere. Und jetzt werde ich das auf eine Art unvoreingenommene Art und Weise nähern und einfach anfangen, das Datum ein wenig zu erkunden und zu sehen, was ich finde. Also, als ersten Durchgang, wissen Sie, vielleicht sortieren wir einfach die Namen unserer Mitarbeiter, die nach dem neuen Gesamtkostenfeld absteigend sind, das wir gerade erstellt haben. Wir wollen sehen, wer während dieser gesamten dreijährigen Periode die besten Verdiener waren. So verdiente Judy Melnick in diesem Zeitraum insgesamt 553 K Lohn. Mike Dreiling verdiente 460 und dann und jetzt, anstatt sich die Gesamtstichprobe anzusehen, möchte ich die Top-Verdiener nur für ein bestimmtes Jahr sehen. Also bringen Jahr in meine Filterbox, sagen wir, nur für 2013, die am meisten waren. So hatte Gary Altenburg zum Beispiel zum Beispiel2013 hier ein tolles Jahr mit einer Gesamtentlohnung von knapp 363.000. Aber was an Gary interessant ist, ist, dass er 100 29.000 Grundgehalt verdient hat und dann weitere 21,000 aus der Zeit, was eine riesige Menge an Überstunden ist, vor allem im Vergleich zu einigen dieser anderen Mitarbeiter, die nichts verdient haben in Überstunden wie zum BeispielAmy Heart zum Beispiel oder Sharon oder James Dudley. Das ist also ein interessanter Trend. Und das ist etwas, das als Analyst daran interessiert bin, ein ich als Analyst daran interessiert bin, einbisschen tiefer in das einzutauchen, also was wir tun können, ist, sich den Job zu schnappen und das reinzuziehen, nur um ein Gefühl davon zu bekommen, was Gary und Amy tatsächlich tun. Und wenn wir das tun, sehen wir, dass Gary sich herausstellt, dass er ein Leutnant ist. Sieht aus wie die Feuerwehr, während Amy eine Art Abteilungsleiterin ist. Wissen Sie, wenn ich vermute, dass das sinnvoll ist, wenn Feuerwehrleute dazu neigen, mehr Überstunden zu verdienen nur wegen der Art ihrer Arbeit, wissen Sie, fügen Sie so eine Art interessanter Einblick dort hinzu. nun Wenn wirnunden Stellentitel herausziehen, können wir diesen Trend für Überstunden mit einem anderen berechneten Feld weiter untersuchen. Also, was ich jetzt tun will, ist, anstatt nur auf das Volumen der Überstunden in Bezug auf die Anzahl der Dollar, Ich möchte auf die Rate so im Laufe der Zeit Prozentsatz, die berechnet werden könnte, wie Überstunden zahlen aus der Summe. Und das wird mir eine andere Art von Objektiv geben, durch die ich meine Daten betrachten kann. Und machen wir es einfach zu einem Prozentsatz mit dem Dezimalpunkt und jetzt, was mir dieses neue Feld erlaubt. Es ist sortieren meine Angestellten nach diesem Überstundenprozentsatz absteigend und sehen, wer den größten Teil ihres Gehaltsschecks im Laufe der Zeit im Vergleich zu Grundgehalt oder anderen Lohn verdient. Und in diesem Fall steht Janey Jennings ganz oben auf der Liste. 82,2% ihres Lohns wurden als Überstunden eingestuft, also 33.000 von $40.358. Aber es gibt eine Menge Lärm hier in dieser Liste. Ich habe einige Mitarbeiter, die nur ein paar 100 oder ein paar $1000 verdienen, was bedeutet, dass es wahrscheinlich Teilzeit- oder Vertragsangestellte, so dass wir in unsere Sortier- und Filteroptionen bohren können . Und was ich in diesem Fall tun würde, ist es Wert Filter größer als und sagen OK, Gesamtlohn muss größer sein als 50.000 Presse. OK, das wird ein bisschen Lärm beseitigen und mir mehr Äpfel zu Äpfeln Vergleich der Angestellten, die ich jetzt betrachte. Sobald wir das jetzt getan haben, steht Kimberly King Stitt ganz oben auf der Liste. Sie verdiente 63% ihres Lohns aus der Zeit, und es gibt einen guten Freund, Gary, genau dort an Nummer zwei auf der Liste. Also offensichtlich, an diesem Punkt, wissen Sie, die Anzahl der verschiedenen Wege, die wir mit dieser Analyse nehmen könnten, ist ziemlich unendlich. Selbst die Anzahl der Möglichkeiten, wie wir diese Mitarbeiterliste filtern und sortieren können, ist im Wesentlichen endlos. Also, zum Beispiel, wenn wir Onley wollten. Sehen Sie sich Mitarbeiter an, deren Name mit Steve beginnt. Wir können einen Etikettenfilter verwenden, um dies zu tun, so Etikettenfilter beginnt mit Steve. Jetzt schauen wir uns nur die Steve's in unserem Datensatz an, aber Sie könnten feststellen, dass jetzt mein $50.000 Wertefilter überschrieben wurde. Also habe ich ein paar Leute hier drin, die 14.000 verdient haben. Wissen Sie, unsere 5000 und wieder, das ist, wie wir früher im Kurs gesprochen haben, denn standardmäßig denn standardmäßigkönnen Sie Pivot-Tabellenoptionen nur einen Satz Filter anwenden, um ihn anzurufen. Ich kann das in meinen Werkzeugen ändern, indem ich zu den Optionen Summen und Filtern gehe. Lassen Sie mehrere Filter pro Feld drücken Sie OK, und jetzt haben wir noch unseren Steve-Etikettenfilter. Lassen Sie uns also voran und wenden Sie den Größer-als-Wert-Filter erneut an und sagen, dass die Gesamtzahl mehr als 50.000 wieder zahlt . Okay, und jetzt haben wir beide Filter angewendet. Wir betrachten Onley Gesamtgehalt von mehr als 50 und Lee Namen, die mit Steve beginnen. Beide Häkchen weisen darauf hin, dass beide Werte angewendet wurden. An diesem Punkt kümmert es mich wirklich nicht um Angestellte, die nur Steve heißen, also werde ich all diese Filter aus dem Namen des Mitarbeiters löschen. Und schauen wir uns die Daten ein wenig auf einer höheren Ebene an. Also ziehen Sie den Namen des Mitarbeiters raus. Lassen Sie uns die Dinge nach Jobtitel zusammenfassen. Eine Sache, die hier interessant ist, ist, dass, wenn man sich eine Metrik wie das basierte Lohn , es verlockend ist, sich das anzusehen und zu sagen: Oh, Oh, wow! Kontobetreuer verdienen viel mehr Geld als Buchhalter, zum Beispiel. Aber bevor Sie das tun, müssen Sie wirklich darüber nachdenken, was Sie hier betrachten. Und in diesem Fall ist diese Spalte „Einige der Basisvergütung “ eine Spalte, in der die Basis für alle Mitarbeiter in dem Datensatz zusammengefasst oder addiert wird, die in jeden dieser Buckets fällt. Meine Hypothese wäre also, dass es viel mehr Mitarbeiter gibt, die als Kontoschreiber gekennzeichnet werden als Buchhalter, weshalb wir eine Grundzahlung von 974.000$ für Kontoangestellte Kontoschreiber gekennzeichnet werden als Buchhalter, und nur 65.000 für Buchhalter sehen . Und wir können das überprüfen, indem wir den Namen des Mitarbeiters als sekundäre Rollenbeschriftungen direkt hier in unsere Ansicht ziehen. Und das ist genau das, was hier vor sich geht. Also haben wir sieht aus wie 23 Mitarbeiter mit einem Job, Titel eines Kontobetreuers. Und wir haben Onley einen Buchhalter, Carlito. Diese 973 Zahl addiert also alle individuellen Gehälter jedes dieser 23 Mitarbeiter, also ziehen Sie die Mitarbeiter heraus. Und wenn wir ein besseres Gefühl von Äpfeln zu Äpfeln Ergebnis nach Berufsbezeichnung bekommen wollen, was ich denke, ist eine interessante Sache, Teoh, schauen Sie sich hier an. Was ich tun kann, ist, den Sommer-Iation-Modus von einem Zehen-Durchschnitt zu ändern. Anstatt dieses zu bearbeiten, werde ich eine zweite Instanz von Basistempo heranziehen, die wir vergleichen können. Und das ist derjenige, der Sommerisierung auf einen Durchschnitt und als Währung formatiert ändern . Also, jetzt nimmt es den Durchschnitt aller 23 dieser Mitarbeiter Gehälter und entspricht das 42.000, was in der Tat deutlich niedriger ist als das durchschnittliche Gehalt von 65.392 Buchhaltern. Also eine Art subtile, aber wirklich, wirklich wichtige Klärung, um Sie wissen zu lassen, wie Sie Zahlen und eine Pivot-Tabelle von dort interpretieren. Jetzt, da wir unser durchschnittliches Feld eingerichtet haben, können wir unsere Titel nach dem Durchschnitt des Grundlohns sortieren. Und jetzt bekommen wir eine Art sauberere, genauere Liste, um diese Vergleiche zu machen. Also sehen wir Titel wie den Abteilungsleiter, den stellvertretenden Leiter des Gerichtsmediziners oben auf der Liste. Und dann, als er nach unten scrollte, fangen Sie an, mehr Titel wie Generalsekretär, Arbeiter, Inventarschreiber, Kassierer auf DSO auf sie so weiter zu sehen. Also schon, einige interessante Art von Erkenntnissen und Erkenntnissen sprudeln als nächstes. Was ich tun möchte, ist eigentlich einige dieser Titel zusammen zu gruppieren, da es einige Bereiche der Überlappung gibt. Also sortiere ich alphabetisch durch, um zu sehen, was diese Job-Titel durch uns kommen. Und Sie werden wahrscheinlich feststellen, dass es eine Reihe von Variationen ähnlicher Arten von Job-Titel gibt, so sieht so aus, als ob es mindestens 10 oder so Flughafenjobs mit leicht unterschiedlichen Titeln gibt. Was ich in diesem Fall tun möchte, ist Gruppierungen zu erstellen, die die Job-Titel auf ein etwas höheres Niveau zusammenrollen . Nennen Sie es Job-Kategorie im Gegensatz zu Job-Titel. Also, um Ihnen ein Beispiel zu geben, warum beginnen wir nicht mit einigen dieser an der Spitze der Liste können durch Buchhalter verwandte Titel gehen , klicken Sie mit der rechten Maustaste gruppieren diese zusammen und anstelle von Gruppe eins, nennen Sie es Buchhaltung. Wenn Sie sich standardmäßig zurückrufen. Dieser Pivot ist als kompakte Ansicht eingerichtet, was bedeutet, dass sowohl mein Titelfeld als auch das neue Gruppenfeld, das ich erstellt habe, alle in derselben Spalte verschachtelt sind . Ich will nicht, dass das der Fall ist. Ich möchte in der Lage sein, beide Felder separat zu behandeln. Also gehe ich zu meinen Tools Design-Optionen Bericht Layout umrissenes Formular. Und das bricht nur diese beiden Felder aus. Jetzt kann es unabhängig meinen ursprünglichen Job, Titelfeld und mein neues Gruppenfeld bearbeiten . Also anstelle von Job Titel zwei, nennen wir diese Job-Kategorie. Jetzt können wir den Prozess einfach fortsetzen, wie es mit den Buchhaltungstiteln getan hat. Wissen Sie, vielleicht möchte ich die Admin-Eins zusammen und klicken Sie mit der rechten Maustaste gruppieren diese anstelle von Gruppe zwei. Nennen Sie es Admin, und dann machen wir noch einen mit diesen Flughafenaufträgen. Ich habe so etwas wie 12 verschiedene Flughafen-Titel hier drin. Lasst uns die zusammenfassen und es Airport nennen. Da gehen wir und jetzt, da ich den Gliederungsmodus geändert habe. Wenn ich jetzt nach Kategorieebene zusammenrollen möchte, könnte ich einfach den Jobtitel herausziehen und die Daten nach diesem neuen Feld organisieren, das ich gerade erstellt habe. Also fügen Sie Männer als Ganzes hinzu, denen diejenigen glauben, dass vier Rollen oder Job-Titel, die darin fallen, Sie wissen, eine insgesamt basierte Lohn von 2,273 Millionen und einen Durchschnitt von 71.000 erzeugt. Nun funktioniert dieser manuelle Ansatz zur Gruppierung gut. Aber als Nebenanmerkung für diejenigen, die interessiert sind, wäre eine elegantere und effizientere Lösung, dies zu tun, tatsächlich eine separate Nachschlagetabelle zu erstellen , die alle diese Job-Titel zu bestimmten Kategorien passt. Und dann, von dort, entweder mit Nachschlagefunktionen oder Datenmodellierungswerkzeugen, die diese Job-Kategorien tatsächlich als neues Feld in die Rohdaten selbst integrieren . Und das würde mir die Mühe ersparen, manuell durch und Werte im Pivot zu blättern und zu gruppieren . Aber das ist ein Thema für einen anderen Tag und einen anderen Kurs. Also da hast du es. Das ist unser Ausgangspunkt für die Erkundung von Gehaltsdaten in San Francisco. Gehen Sie voran und spielen Sie damit herum. Machen Sie einige Erkundung, Geben Sie die Hausaufgaben Schuss und geben Sie mir einen Schrei, wenn Sie irgendwelche Fragen haben. 4. Haiangriffe Aufnahmen: Alles klar. Unsere nächste Fallstudie macht eine Menge Spaß. Es ist mein Allzeit Favorit für diesen hier. Wir werden uns die Aufzeichnungen von Haifischangriffen ansehen, die zwischen 1.902.016 aufgezeichnet wurden. So haben Sie knapp 5300 Datensätze oder Beobachtungen in unserem Datensatz. Und was ein bisschen einzigartig an diesem Datensatz ist, dass er tatsächlich keine Maßnahmen enthält . Es gibt also keine neuen Wundervariablen oder quantitativen Felder. Es sind alle Dimensionen. Und das ist relativ häufig, wenn es um Dinge wie die Aufbewahrung von Datensätzen geht, denn was am relevantesten ist, sind die Informationen, die in diesen Datensätzen enthalten sind, im Gegensatz zu jeder Art von quantitativem Feld. Also haben wir eine Menge wirklich faszinierender Dimensionen, mit denen wir arbeiten, angefangen mit der Fallnummer und dem Datum, an dem der Angriff stattfand. Wir können die Daten nach der Art des Angriffs schneiden, ob es provoziert oder nicht provoziert wurde, wo es in Bezug auf das Land und den spezifischen Standort stattgefunden hat. Welche Tätigkeit das Opfer bei Angriffen verübt hat, ihr Name, ihr Geschlecht, ihr Alter, welche Art von Verletzung erlitten wurde, ob es tödlich war, ja oder nein. Selbst wie diese Spezies des Hais und des Ermittlers und woher die Quelle kam,ist all das in diesen Hai-Attact-Aufzeichnungen enthalten, die wir zur Verfügung haben. Selbst wie diese Spezies des Hais und des Ermittlers und woher die Quelle kam, Also wirklich, wirklich reichen Datensatz für alle Arten von verschiedenen Arten von Analysen zu verwenden. In diesem Fall werden wir schnell starten und einige der Konzepte, die unsere Datumsgruppierung Wert-Einstellungen und Pivot-Diagramme abdecken . Also lasst uns reinspringen. In Ordnung, gehen Sie weiter und gehen Sie zum Tab „Haifischangriffe“ in unserer Arbeitsmappe zur Pivottabelle. Und er wollte eine steuern, um all die Daten zu erfassen und einen Pivot in ein neues Arbeitsblatt einzufügen. Lass uns diesen Hai-Drehpunkt nennen und diesen Tab mit einem schönen grünen Phil formatieren. Und mein Gott, wo fangen wir überhaupt mit einem Datensatz wie diesem an? Es gibt so viele coole Winkel, die wir nehmen können. Aber am Ende des Tages, Großen und Ganzen, versuchen wir zu verstehen, die Anzahl der Aufzeichnungen oder die Anzahl der Angriffe, aufgeschlüsselt alle möglichen interessanten Arten, wissen Sie, vielleicht nach Datum, nach Standort, nach geschlechtsspezifischer Aktivität, wirklich viele Möglichkeiten, die uns hier zur Verfügung stehen. Und da meine Rohdaten auf der Fallebene liegen, was eine Zeile pro aufgezeichneten Angriff bedeutet, sollte dies relativ einfach zu tun sein. Ich bin also, es ist die Fallnummer hier in unsere Wertebox zu ziehen. Wie Sie sehen können, wird standardmäßig gezählt, da es sich nicht um ein numerisches Feld oder eine Kennzahl handelt. Und in diesem Fall ist die Zählung genau das, was ich will. Moment sagt es mir, dass in meinem Datensatz 5292 Datensätze entstanden sind, die ich zu meinem eigentlichen Datenblatt zurückgesprungen habe. Ich kann bestätigen, dass die Zeilen an der Anzahl der Zeilen ausgerichtet sind, also genau das, was ich will. Und jetzt ist es eine Funktion, diese Zählung aufzuschlüsseln und sie auf verschiedene Arten zu schneiden und zu würfeln . Also warum fangen wir nicht mit dem Trend an, nehmen Sie ein Date, Felddrachen und zwei Reihen? Wie Sie sehen können, ist es eine automatische Gruppierung, was okay ist, ich werde Viertel ziehen und ausgehen, nur damit ich mir die Angriffe von Jahr zu Jahr anschaue. Da die Daten zu Beginn des Jahrhunderts ein wenig funky sind, möchte ich diese Ansicht tatsächlich auf einen moderneren Schnitt der Daten beschränken. Also, was ich hier tun werde, ist, wählen Sie einfach die letzten 12 Jahre oder so. So 53 4016 und dann nur mit der rechten Maustaste Filter halten nur ausgewählte Elemente. Und da gehst du. Ich habe diese 12 Jahre laufende Anzahl von Haifischangriffen pro Jahr. So 102 Angriffe in 2503 im Jahr 2006. Nun, was ich tun möchte, ist eigentlich nur ein paar weitere Instanzen dieses Feldes für die Anzahl der Fallnummern einzuziehen , so dass wir diese Werte auf verschiedene Arten anzeigen können. Eine zweite Spalte, wissen Sie, vielleicht wollen dies als Prozentsatz zeigen. Die Spaltensumme, die mir jetzt sagt, dass Sie wissen, dass die 139 Angriffe 2015 den größten Anteil innerhalb dieser 12-Jahres-Stichprobe bildeten, Buchhaltung für etwas mehr als 10% der erfassten Steuer. Sie kennen dieses dritte Beispiel, ich könnte zeigen, dass als laufende Summe mit Jahren als mein Basisfeld, so dass ich sehen kann, wie die Angriffssumme seit 2005 gewachsen ist und bis zu 1387 Gesamtangriffe bis zum Jahr 2016 so einfach anders Möglichkeiten, diese Daten zu betrachten. Ich verstehe, wie der Trend im Laufe der Zeit betrachtet wird, also ist das interessant genug. Was jetzt Jahre rauszieht. Aber bewahren Sie diese 12-Jahres-Ansicht, und jetzt wollen wir die Daten auf eine andere Weise schneiden, Also ich denke, ich werde mit Geschlecht beginnen. Ich möchte sehen, ob es bemerkenswerte Unterschiede zwischen weiblich und männlich gibt, und Sie werden sehen, dass meine dritte Spalte, die Werte als laufende Summe anzeigt, nicht mehr gültig ist, da dieses Basisfeld von Jahren nicht mehr in meine Ansicht, damit ich voran gehen kann. Zieh das einfach raus. Und diese Ansicht ist interessant. Was es mir sagt, ist, dass es eine schlechte Nachricht ist, ein Typ zu sein, was Haifischangriffe betrifft. Ich würde nicht sagen, dass sie von Haien angegriffen werden, weil ihre Post, es ist eher wegen der Aktivitäten, mit denen sie beschäftigt sind, aber ziemlich faszinierend. In diesem 12-Jahres-Fenster waren 83% der Angriffe auf Männer und knapp 17 auf Frauen, also irgendwie ein cooler Nugget dort, und wir könnten noch tiefer gehen, voller Geschlecht heraus und tatsächlich die Angriffe nach Alter sehen, die jetzt scrollen hier durch. Eine Sache, die ich am Ende bemerkt habe, ist, dass es einen unbekannten Eimer mit einer Menge Beobachtungen , Luft, nur Angriffe oder Fälle, in denen ein Alter nicht zur Verfügung gestellt wurde oder nicht aufgezeichnet wurde. Also will ich dieses Feld nicht. Ich kann voran gehen und nur de Select unbekannt, so dass ich nur auf bekannte Zeiten schaue. Und dies ist ein großartiger Kandidat für die Visualisierung, vor allem für ein hist ein Gramm-Style-Diagramm, das wirklich die Häufigkeit von Angriffen nach Alter zeigen kann und uns erlauben zu verstehen, welche Altersgruppen Regel häufiger in Hai beteiligt sein Angriffe. Also werde ich diese Ansicht ein wenig vereinfachen und den Prozentsatz der Spaltengesamtberechnung herausziehen , die ich nur auf die Anzahl der Fallnummer, des Eimers und nach Alter schaue . Jetzt, mit einer dieser Zellen ausgewählt gehen zu meinem Werkzeug Pivot-Diagramm, und diese gruppierte Spalte wird uns eine wirklich schöne zischte ein Gramm-Effekt kann in analysieren gehen und diese Feldschaltflächen hier loswerden. Aber werfen Sie einen Blick auf diese wirklich, wirklich klare und leistungsstarke Visualisierung, die mir genau zeigt, wo die höchsten Frequenzen von Angriffen in Bezug auf Alter Eimer stattfinden. Also in diesem Fall, ziemlich kristallklar, dass ab etwa dem Alter 15 oder so, Frequenz der Angriffe sind viel höher und den ganzen Weg hinaus in etwa 22 oder so. Und dann fängt es an, runter zu kommen und dann ziemlich viel zu wandern, wenn die Leute ihre fünfziger und sechziger Jahre erreichen . Auch hier geht es nicht notwendigerweise um die Ursache. Weißt du, warum ist das der Fall? Aber einige Hypothesen, die wir dort rauswerfen könnten, sind, dass jüngere Menschen eher an Aktivitäten beteiligt sind , bei denen es einfach eher von einem Hai angegriffen wird , wie Surfen oder Körper, Boarding oder Schwimmen oder was auch immer es sein mag. Aber das ist ein wirklich interessanter Blick hier. Und wenn wir dies beibehalten möchten, wäre eine Option, diesen Pivot einfach zu kopieren und eine neue Version an anderer Stelle im Blatt oder auf einem anderen Blatt zu erstellen . In diesem Fall werde ich eigentlich nur dieses Diagramm fallen lassen und diese Daten weiter untersuchen. Also lasst uns das löschen. Und jetzt, anstatt Alter, bin ich irgendwie an diesem Tätigkeitsfeld interessiert. Ich möchte sehen, was die Leute taten, als sie angegriffen wurden, welche Aktivitäten zu den meisten Angriffen in der Probe führten. Ich werde Aktivität ziehen, ist meine Rollenetiketten. Ich sortiere das Senden nach der Nummer des Zählvorgangs. Also nichts wirklich überraschend hier. Es ist irgendwie das, was du erwarten würdest. Viele Angriffe passierten beim Surfen, Schwimmen oder Speerfischen. Wenn wir eine Schicht tiefer bohren wollten, könnten wir auch dieses fatale Ja, kein Feld heranziehen , das ein binärer Filter ist. Es braucht einen Wert von wissen, ob der Angriff nicht tödlich war. Ja, wenn es so war, können wir sehen, ob es irgendwelche Unterschiede zwischen tödlichen Angriffen gibt , ,die typischerweise auftreten, wenn Menschen schwimmen oder surfen, im Vergleich zu der nicht tödlichen Art der gleichen Geschichte hier. Nichts wirklich zu bahnbrechend dort, sondern nur eine andere Möglichkeit, diese Daten zu schneiden und zu würfeln, unter Verwendung der vorhandenen Dimensionen. Nun, eine letzte Sache, die Sie hier nennen müssen, ist, dass, wenn wir die Jahres-Spalte ungefiltert haben, Sie feststellen werden, dass diese Spalte ein Weg gestreckt wird, Ausweg. Es wird wirklich ärgerlich, mit zu arbeiten. Ich bin so zu beheben, dass Sie mit der rechten Maustaste die Spalte mit zurück zu 20 oder so ändern können, dass sie wieder im Blick ist , und der Grund dafür ist, dass es hier bestimmte Aktivitäten gibt, die sehr , sehr lange Strings und zeichnet sich durch die automatische Anpassung aus, um sie mit aufzurufen, so dass keine dieser Strings abgeschnitten wird. Aber das Problem ist, dass jedes Mal, wenn Sie eine Anpassung an Ihren Drehpunkt vornehmen, es wird automatisch wieder und wieder passen. Und Sie müssen die Spalte mit immer und immer ändern. Also, um das zu beheben, werde ich nur zufällig Tischwerkzeuge, Optionen und nur Diesel ECT Pivot . Auto FIT COLUMN Wits auf Update drücken. OK, und jetzt, wenn Sie Anpassungen an Ihrem Pivot vornehmen, bleibt diese Spalte a die gleiche Breite wie sie derzeit ist und dehnt sich nicht jedes Mal aus Sie eine Änderung vornehmen, so dass ich dringend empfehlen würde, dass Sie diese Daten ein wenig tiefer auf eigene Faust. Es gibt einige ziemlich unglaubliche Rekorde hier. Ich habe gerade erst begonnen, die Oberfläche dieses Datensatzes zu kratzen. Ähm, mein persönlicher Favorit, wenn ich Aktivitäten rausziehe und im Namen von Cosimo Pechiney, der irgendwie ein interessanter Fall ist , weil man nach der aufgezeichneten Aktivität urteilt, Er hat tatsächlich einen Hai mit seinen Fäusten angegriffen. Aber mach dir keine Sorgen. Er ist irgendwie mit nur einem zerrissenen Arm entkommen. In Zusammenhang ist das Ihr Interesse an unserer Fallstudie für Haifischangriffe. 5. Stock: Alles klar. Unsere nächste Fallstudie ist die Verwendung von Börsendaten, und wir haben einen ziemlich einfachen Datensatz, mit dem wir hier arbeiten können. Es ist eine dreimonatige Stichprobe von Börsendaten für etwa 500 verschiedene börsennotierte Unternehmen und Blick auf den Screenshot rechts hier. Wir haben 29.440 Beobachtungen mit wenigen einfachen Dimensionen und Maßnahmen. Die einzigen Dimensionen, die hier funktionieren werden, sind Datum und Symbol und dann, für Maßnahmen, ziemlich Standard-Finanzmarkt-Maßnahmen. Wir haben den Eröffnungspreis hohe und niedrige Preise für den Tag. Der Schlusskurs und das Handelsvolumen und die Konzepte, die in diesem Kickoff abdecken werden beinhaltet einige grundlegende Sortierfilterung konzentrieren sich wirklich auf bedingte Formatierung hier, um wirklich Visualisierungen zu verwenden, um eine Geschichte zu erzählen. Will Highlights üben. Zellenregeln werden einige wirklich coole Demos mit Datenbalken machen, und sie werden mit einigen Wert-Einstellungen wie prozentuale Differenz, von denen ein großartiges Werkzeug ist , um Tag über Tag Gewinne und Verluste zu zeigen. Auf eine wirklich klare Art und Weise. So ziemlich unkompliziert, ziemlich schnell. Gehen wir voran und springen schon rein. Also mit Ihrer Pivot-Tabelle Fallstudie Arbeitsmappe geöffnet. Gehen Sie weiter und navigieren Sie zur Registerkarte Börsendaten. Und bevor Sie einen Pivot erstellen, ist nur eine Seite Hinweis, dass dies ein ziemlich Standard-Datenextrakt ist. Und es ist bei Tag, was bedeutet, dass dies ein guter Kandidat für die Analyse ist, die ich immer wieder besuchen und vielleicht stapeln mehr Daten auf als sammeln mehr Daten in der Zukunft. Da das der Fall ist, es möglicherweise nicht sinnvoll, den gesamten Datensatz auf Lee bis zur Straße 29 4 41 auszuwählen , denn das bedeutet, wenn ich neue Daten darunter hinzufüge oder staple, müsste dies in meine Pivot-Tabellen-Tools gehen , die Datenquelle, erweitern Sie die Zeile referenzieren Sie auf die Straße, zu der ich Daten hinzugefügt habe. also , Wir habenalsoüber zwei Möglichkeiten gesprochen,mit Daten umzugehen, die im Laufe der Zeit möglicherweise wachsen könnten, von denen eine darin besteht, die gesamten Spaltenüberschriften auszuwählen. Diese Pivot-Tabellenreferenz hat also jetzt keine Zeilenreferenzen. Sie erstreckt sich unterhalb der letzten Datenzeile. Auf diese Weise fügen wir neue Daten hinzu. Alles, was wir tun müssen, ist einfach den Pivot und die zweiten Ansätze zu aktualisieren, um diesen Bereich in eine Tabelle zu konvertieren , da eine nette Funktion von Tabellen ist, dass sie neue Daten absorbieren können, da er unter Ihrem vorhandenen Datenbereich hinzugefügt wird. in diesem Fall Lassen Sie unsin diesem Fallvoran gehen und den letzteren Ansatz verfolgen. Alles, was ich tun muss, um ein Feld oder eine Zelle in meinem Bereich auszuwählen, um Tabelle einzufügen. Sie können sehen, dass es den gesamten zusammenhängenden Bereich ausgewählt hat, der Daten über Straße 29 4 41 enthält Und ja, Und ja, meine Daten haben Kopfzeilen in Zeile eins. Das Kästchen sollte angekreuzt werden. Drücken Sie auf OK. Und da gehst du. Nun, wenn Sie Ihre Tabelle formatieren möchten, können Sie dies direkt hier in den Tabellenstilen tun. Aber das sind meine Rohdaten. Es ist wirklich egal, wie es aussieht. Aber jetzt, wenn ich später mehr Daten hinzufüge, wird es viel, viel einfacher zu unterbringen sein. Also, lassen Sie uns zurück in Einfügen Drop in einer Pivot-Tabelle auf einem neuen Arbeitsblatt, und wir können diesen einen Stock Pivot nennen. Da gehen wir. Und lassen Sie uns diese Registerkarte einfach mit einem hellgrünen Farbton formatieren. Und jetzt mein Ziel hier im Allgemeinen ist es, Trends zu analysieren, so dass das erste, was ich tun kann, ist, einfach voran und greifen Datum, ziehen Sie es in meine Rollenlabels. Es ist automatisch gruppiert. Also, wenn das Datumsfeld ausgewählt ist, möchte ich wirklich keinen Monat hier. Ich möchte nur den täglichen Level-Trend beibehalten, damit ich in meine analysierten Tools gehen und einfach auf Gruppe drücken kann , und das wird wieder auf das ursprüngliche Format dieses Feldes zurückkehren, was in diesem Fall ist, was ich will. Lassen Sie uns voran gehen und ziehen Symbol in unsere Filterbox, da schließlich in die Leistung für einzelne Unternehmen eintauchen wollen. Und dann ziehen wir alle unsere Felder in unser Wertefeld. Offen, hoch, niedrig, schließen und Lautstärke. müssen Sie in der Regel Wenn Sie also einen brandneuen Drehpunkt starten, eine Runde der Formatierung durchlaufen. Ich bin so gehen wir weiter und machen das sofort erledigt. Uniform bei allen diesen 1. 45 Spalten als Währung eso Eröffnungspreis, hoher Preis, niedriger Preis und schließen. Diese werden alle formatiert, genauso wie Währung ohne Dezimalstellen. Also, da gehen wir und dann Volumen ist nicht Währungsvolumen. Nur die Menge des Handels stattfindet Format dies ist eine Zahl mit Tausendertrennzeichen und keine Dezimalstellen. Okay, das ist also ein bisschen klarer. Lassen Sie uns auch unsere benutzerdefinierten Spaltenüberschriften üben. Wenn Sie also diese loswerden möchten, können einige Etiketten das hier in der Bearbeitungsleiste ändern. Und anstatt einfach zu öffnen, was bereits ein Feeling-Name ist, werde ich meinen nachgestellten Space-Trick verwenden und so formatieren. So gleiche Sache mit hohen lo schließen und Lautstärke. Dies macht meinen Tisch nur ein bisschen lesbarer. Und auch um zu helfen. Ich kann all die Spalten greifen, die nach Hause gehen und die Ausrichtung dort zentrieren. Also wieder, nur ein wenig Lesbarkeit Trick hier und denken Sie daran, dass wir immer noch die Aggregation oder den Sohn von Preisen und Volumen über alle Symbole in unserem Datensatz suchen , was in diesem Fall nicht wirklich viel hilft. Stattdessen, warum bohren wir gezielt in ein Symbol ein und Sie können jeden auswählen? Aber ich werde mit einem pl oder einem Apfel beginnen und jetzt macht diese Art von ein bisschen mehr Sinn. Wir betrachten den tatsächlichen Apple Aktienkurs Tag für Tag sowie das Handelsvolumen Also jetzt habe ich alle Rohinformationen, die ich brauche, um Apple Aktienleistung in diesem dreijährigen Beispiel zu verstehen . Aber es gibt definitiv einige Arbeit, die durch ein Hinzufügen etwas Visualisierung schwächen und wirklich helfen die Erkenntnisse durchscheinen. Warum also beginnen wir nicht damit, die Tagesgewinne oder -verluste wirklich hervorzuheben? Und um das zu tun, werde ich mich wirklich auf diese enge Kolumne konzentrieren, und was ich tun möchte, ist eine zweite Instanz von Kleidung heranziehen. Aber für diesen, anstatt ihnen keine Berechnung zu zeigen, zeigt ID gerne diese Spalte als prozentuale Differenz zu den vorherigen Daten auf meiner Basis Feld, Zustand basiertes Element ist vorheriger und drücken Sie OK, also sagt mir das, wie dieser geschlossene Preis Tag für Tag im Trend ist. In diesem Fall. Am 24. August war es weniger als Hunderte von Prozentpunkten im Vergleich zum 21. und der Grund, warum sie nicht Termine fehlen, weil der Markt über Wochenenden geschlossen ist. Also war der 21. ein Freitag. 24. war ein Montag, als der Markt wieder geöffnet wurde, so dass dieses Feld definitiv hilfreich ist, aber das Problem ist, dass es immer noch eine Menge Zahlen ist, und es ist irgendwie schwer, Trends zu lokalisieren oder was wirklich los ist und wo ich sollte konzentrieren Sie sich hier. So wird die Hilfe bei dieser bedingten Formatierung ein großartiges Werkzeug sein. Also, bevor wir es tun, lassen Sie uns einfach in Design gehen und unsere Gesamtsummen Row loswerden, da wir das nicht brauchen und Sie werden feststellen, wie jedes Mal, wenn wir eine Änderung an den Spalten Luft Art automatisch Umrüstung basierend auf den Daten vornehmen . Das gefällt mir nicht wirklich. Also kann ich diese Option hier in Pivot-Tabellen-Tool-Optionen ändern und einfach diese Spalte mit der Auto-Fit-Option deaktivieren. Okay, jetzt kann ich einfach die Breite meiner Spalten anpassen, und diese werden sich nicht mehr ändern, wenn ich Aktualisierungen an meinem Pivot mache. Also lassen Sie uns dies anstelle von einigen Kleidern nennen, nennen wir es täglich geändert, um es ein bisschen klarer Zustimmung zu machen. Und jetzt, um die bedingte Formatierung anzuwenden, werde ich kontrollieren, nach unten verschieben und diese ganze Spalte von Daten greifen, die zur bedingten Formatierung nach Hause gehen. Es gibt nur wenige Optionen, die hier verwendet werden könnten. Ich könnte Farbskalen wie Rot bis Grün machen. Dieser Fall und wenn Sie Markierungszellenregeln verwenden, weil ich nur möchte, dass diese Zellen zwei Formate entweder rot oder grün annehmen , basierend auf einer Verstärkung oder einem verlorenen Tag über Tag. Beginnen Sie also mit größer als hervorheben Zellenregel und sagen Sie, jedes Mal, wenn diese Zelle Werte größer als Null ist. Ich meine, es ist ein prozentualer Anstieg im Vergleich zum Vortag. Das ist eine gute Sache. Wenn Sie es also mit Grün formatieren, mit dunkelgrünem Text füllen und OK drücken, und ohne die Auswahl zu ändern, werde ich direkt wieder in meine Markierungszellenregeln einbohren und eine zweite Regel für weniger als Null hatte . Und das ist etwas Schlimmes. Formatieren Sie also alle Zellen, die kleiner als Null oder negativ Zehe hellrot sind, füllen Sie mit dunkelroten Texten und drücken Sie OK, und jetzt ist es sehr, sehr klar. Welche Tage zeigten einen Aufzug für Apple, an dem Tag zeigte einen Rückgang. Es zeigt mir, wissen Sie, Zeiträume, in denen es sich um aufeinanderfolgende Gewinne oder aufeinanderfolgende Verluste handelt, so dass diese Geschichten viel deutlicher mit etwas so Einfaches wie eine Hervorhebungszellenregel in meiner Pivot. Das war also definitiv hilfreich. nächstes Lassen Sie uns alsnächstesauf dieses Volumenfeld hier aufmerksam machen, da dies ein weiteres wirklich wichtiges Element der Daten ist, mit denen wir arbeiten können. Also, um Volumen-Trendings Tag für Tag zu zeigen, offensichtlich eine Reihe von verschiedenen Möglichkeiten, dies zu tun, könnte ich ein Pivot-Diagramm mit dem Liniencharter-Säulendiagramm verwenden. Aber in diesem Fall möchte ich meine Visuals direkt hier in die Tabelle selbst einfügen. Also, um das zu tun, genau wie wir es mit der Nähe getan haben, werde ich eine zweite Instanz des Volumens heranziehen. Sie nennen diesen Volumentrend, erweitern Sie die Breite dieser Spalte ziemlich viel. Und jetzt, gleiche Deal hier. Wird die Kontrolle Shift nach unten, um die gesamte Spaltendaten bedingte Formatierung zu greifen. Und jetzt werde ich etwas verwenden, das Datenbalken genannt wird, die im Wesentlichen in ein Balkendiagramm direkt in den Zellen des Drehpunkts eingefügt werden. Es ist also eine wirklich schöne Werkzeugspitze. Fügen Sie Visualisierungen hinzu, ohne sekundäre Diagramme zu erstellen. Also machen wir hier einen blauen Datenbalken und jetzt ist es sehr, sehr klar, wo diese Gipfel und Täler in Bezug auf das Handelsvolumen auftreten. In diesem Fall für Apple war für Apple der höchste Volumentag der 21., gefolgt vom 20. Es gibt eindeutig eine Menge Aktivität an diesen Tagen, aus welchem Grund auch immer, und dann als letzte Optimierung. Beachten Sie, wie die Zahlen hier irgendwie redundant sind. Da wir Volumen bereits in Spalte G haben und sie sich mit den Balken überlappen, sieht es irgendwie hässlich aus. So wenig Protestzahl, Format benutzerdefinierte, drei aufeinanderfolgende Semikolons drücken okay. Und, Walla, deine Zahlen werden unsichtbar. Und ich habe diese schöne, saubere Datenbalkenspalte alleine. Also ist es großartig daran. Ist, dass Sie wissen, jetzt, dass ein paar Minuten investiert und eine Art von Erstellung dieser Vorlage unter Anwendung dieser bedingten Formatierungsregeln, muss ich das nicht immer und immer wieder tun, wenn ich diese Daten filtern oder sortieren oder schneiden und würfeln . Also, zum Beispiel, anstelle von Apple, vielleicht wollen wir Amazon als nächstes betrachten. Sie können drücken, OK. Unsere tägliche Änderungsformatierung unserer Volumen-Trend-Datenbalken wird automatisch sehr, sehr einfach aktualisiert . Und jetzt hier sehe ich einen sehr klaren Trend, bei dem am 23. etwas passiert ist, was dazu führte, dass Amazon-Aktienkurs fast 27% springt und das Handelsvolumen im Vergleich zu jedem anderen Tag in der Stichprobe ziemlich explodiert . Jetzt weiß ich zufällig, dass die Einnahmen am 23. veröffentlicht wurden, die wirklich, wirklich positiv für Amazon waren, die dieses Spiel, das wir hier sehen, trieb. Insgesamt war das eine sehr schnelle, wirklich einfache Möglichkeit, einige Visualisierungen und einige Dashboard-Style-Tools direkt in unseren Pivot-Toe zu integrieren . Helfen Sie uns, diese Geschichten zu erzählen, und helfen Sie uns, genau zu verstehen, was mit den Rohdaten selbst vor sich geht. In Ihren Hausaufgaben werden Sie also einen ähnlichen Prozess durchlaufen. Aber anstatt die Differenzen von Tag zu Tag zu analysieren, werden Sie ein wenig mehr in Preisspreads pro Tag eingraben. Aber die gleiche Logik wird gelten, und damit ist das ihr schneller Auftakt zur Börsenfallstudie. 6. Baseball: Alles klar. Für alle Sportfans da draußen wird diese nächste Fallstudie Spaß machen. Eins. Wir werden uns die Statistiken des Baseball-Teams ansehen, also die Datensätze zusammenfassen. Wir sehen uns die Statistiken des Major League Baseball Teams nach Saison für 21 Saisons von 1995 bis 2015 an. Also nicht eine Tonne von Datenzeilen. Es sind nur 624 Beobachtungen, aber wir haben eine große Anzahl von Dimensionen und Maßnahmen, mit denen wir arbeiten müssen. Dimensionen zählen also das Startdatum der Saison, das Jahr, die Liga, der Name der Division, sowohl abgekürzt als auch voll. Und dann etwas binär. Ja, keine Flaggen, um anzugeben, ob das Team die Division, die Wildcard, die Liga oder die Welt Siri gewonnen die Wildcard, hat. Diese binären Flag-Felder werden also wirklich hilfreiche Werkzeuge sein, die wir verwenden können, um in Bezug auf Maßnahmen zu filtern und zu sortieren . Du hast alle deine klassischen Baseball-Statistiken hier. Spiele gespielt, Gewinne und Verluste, wenn Statistiken wie Runs bei Fledermäusen, Treffern, Doppel, Triples, Home Runs, Spaziergänge, Strikeouts, gestohlene Basen, gefangen stehlen und dann Pitching oder defensive Statistiken wie Läufe erlaubt, verdiente Läufe, verdienten Lauf Durchschnitt, komplette Spiele, Aussperrungen und speichert. Also werden wir eigentlich nur eine kleine Handvoll dieser Felder benutzen, zumindest in der Fallstudie, Kickoff. Aber sie stehen Ihnen zur Verfügung, um zu erkunden, wie Sie sich entscheiden. Also Konzepte, die in diesem Kickoff behandelt werden, werden wir darüber reden, ziemlich grundlegende Dinge zu sortieren und zu filtern , die wir verwenden, um, um, Pivot Diagramme und Slicer und dann üben Sie berechnete Felder. Also lassen Sie uns voran und tauchen Sie bereits mit Ihrer Pivot-Tabelle Fallstudienarbeitsmappe ein. Gehen Sie voran und wählen Sie die Registerkarte Statistiken des Baseball-Teams aus. Und wir haben hier nur einen festen Datenbereich, so dass wir die Steuerung A drücken können, um all diese Daten zu erfassen . Eigentlich wollen wir diese zusätzlichen Zeilen nicht, also wählen Sie einfach eines der Felder im Bereich aus, drücken Sie erneut die Steuerung a, und das wird Sie nur zu Zeile 6 25 bringen, was wir wollen. Die Kompresse einfügen Pivot-Tabelle auf einem neuen Arbeitsblatt und lassen Sie uns gehen und nennen diesen Baseball, geben Sie es und formatieren Sie es mit einem schönen hellgrünen Farbton. Und los geht's. Also all diese Felder, mit denen wir wieder arbeiten können, werden wir nicht in alles graben, was nur irgendwie anfangen wird, um die Oberfläche hier zu kratzen . Aber da wir die Daten auf Teamebene nach Jahr betrachten, gehen wir weiter und nehmen Year Dragon in unsere Rollenlabels. Jetzt können Sie den Zeitrahmen der 21 Saison sehen, mit dem wir arbeiten konnten. Ich werde den vollständigen Teamnamen nehmen und es zu einem Filter hier oben machen, also kümmert ich mich vorerst nicht um viele dieser Komponenten Statistiken. Ich möchte nur mit der Analyse von Gewinnverlusten beginnen. Also werde ich W für Siege einziehen. L für Verluste. Machen Sie ein wenig Formatierung hier. Also Zahlenformat mit Tausendertrennzeichen, keine Dezimalstellen, dasselbe exakte Format für Verluste. Da gehen wir. Und lassen Sie uns benutzerdefinierte Header-Namen hier Gewinne und Verluste tun. Und Sie fragen sich vielleicht, warum diese beiden Felder gerade gleich sind. Es ist eine große Frage, aber wenn Sie darüber nachdenken, suchen wir Daten für die gesamte Saison in allen Teams und für jedes Spiel, ein Team muss gewinnen, ein anderes Team muss verlieren, so dass jedes Spiel entspricht einem Sieg und einem Verlust, da es keine Bindungen im Baseball gibt, so dass dies nicht wirklich eine ganze Menge Sinn macht, wenn wir es in allen Teams betrachten . Aber wenn wir zum Beispiel in ein bestimmtes Team wie die Red Sox bohren , schauen wir uns das jetzt an. Bestimmte Teams gewinnen Verlustrekord Saison für Saison, also möchte ich einen besseren Weg, um diese Gewinnverlustrekorde zu interpretieren. Also, was ich tun möchte, ist es berechnetes Feld hinzuzufügen, das ich gewinnen Prozentsatz nennen möchte und das wird einfach als Winds oder W geteilt durch G definiert, was Spiele gespielt werden. Drücken Sie OK, klicken Sie mit der rechten Maustaste und formatieren Sie diesen als Prozentsatz mit einem Dezimalzeichen. Da gehen wir. Jetzt haben wir eine einzige Spalte, die die Informationen in den Winden und Verlustspalten erfasst . Dies ist, wenn Prozentsatz 1995 der Red Sox Sieg Prozentsatz war 59,7%. Jetzt kann ich dieses Feld verwenden, um wirklich zu beginnen, in die Daten zu graben und es eine Ebene tiefer zu analysieren . So zum Beispiel für die Red Sox kann ichzum Beispiel fürdie Red Soxdiese Saisons nach Gewinnprozentsatz sortieren. Um zu sagen, OK 2004 war das beste Jahr in dieser Stichprobe in Bezug auf den Gewinn Verlust bei 60,5% 2012 war das schlechteste Jahr mit einem Siegprozentsatz von 42,6. Weißt du, und dasselbe gilt für jedes andere Team. Ich könnte die Auswahl von der Red Sox zu den Cubs ändern. Jetzt kann ich sehen, dass das Cubs stärkste Jahr 2008 bei 60.2 war, gefolgt von 2015 wissen Sie, und so weiter und so weiter. Es kann auch Team ziehen Team in meine Rollen Labels nehmen und ziehen Jahr heraus und die gleiche Art von Sortierlogik anwenden , absteigend nach Gewinnprozentsatz, um ein Gefühl davon zu bekommen, welche Teams haben die stärkste Gewinn-Verlust-Rekord im Laufe der gesamte Probe. So sehen wir, dass die Yankees im Allgemeinen das dominanteste Team in diesem 21-Jahres-Zeitraum waren, mit einem durchschnittlichen Gewinnanteil von 58,7. Am anderen Ende des Spektrums haben Sie Teams wie die Marlins und erhöhen Sie bei 43 40%. Und jetzt schauen wir uns einfach alle Teams an, die in einer einzigen Liste angelegt sind. Aber wir können hier auch die Hierarchien zeigen, da wir die Divisions- und Liga-Dimensionen haben , mit denen wir arbeiten. So zum Beispiel könnten wir zum Beispielden Bereichsleiter des Teams in der Zeile Etiketten einziehen und die Dinge von den Teams der Central Division aufteilen . Die East Division Teams und die West Division Teams zogen auch die Liga in. Fügen Sie einen zusätzlichen Layer hinzu. Es ist jetzt die American League Central, die National League Central und so weiter, so weiter. Und diese Art von gibt unseren Sortieroptionen nur einen anderen Kontext. Und unsere Gewinnprozentsätze hier, weil wir jetzt diese Teams nach Gewinnprozentsatz innerhalb jeder einzelnen Division betrachten. Und was ist cool an dieser Ansicht ist, dass jetzt kann es bohren bis zu einem bestimmten Jahr oder Saison 2015 zum Beispiel, und dies nur visualisieren ist die tatsächliche Endwertung am Ende der Saison. So gewann die Royals die American League Central, Blue Jays gewann die American League East, Cardinals gewann die National League Central und so weiter und so weiter. Also eine Art coole Möglichkeit, diese Ansicht mit einer Pivot-Tabelle zu organisieren. Aber gehen wir weiter und ziehen Liga und Division zurück. Und warum spielen wir nicht mit einigen dieser binären Flaggen, über die wir für Division Win Liga gesprochen haben , wenn Wildcard gewinnen und World Series gewinnen, was hier in diesen vier Feldern zu sehen ist. Also werde ich jedes dieser vier Felder in meine Filter ziehen. Da gehen wir. Und jetzt, was ich tun kann, ist de wählen Sie meine Jahresfilter. Ich schaue mir das gesamte Sample erneut an und zwecke diese Filter. Sie konnten sehen, dass sie alle entweder Ja oder Nein sind, um zu sagen, OK, zeigen Sie mir eine Liste von Teams, die ihre Liga gewonnen haben. So L g Sieg ist ein Liga-Sieg. Dies ist also eine Liste von Teams, die ihre Liga in irgendeiner Saison innerhalb dieser Stichprobe gewonnen haben. Also habe ich die Braves, White Sox, Engel , Indianer, etc. Und das Gleiche gilt für alle von denen. So gewinnt die World Series. Zeig mir alle Teams in der Probe, die die World Series in einer dieser Saisons gewonnen haben. So ziemlich cool. Jetzt weiß ich, welche Teams die World Series mindestens einmal in diesen 21 Saisons gewonnen haben, aber wir können auch in Jahr ziehen wie so, um zu sehen, welche Teams ein mehr als einmal und welche besonderen Jahre sie gewonnen haben So mutig nur 11 Mal in 95 Angels in 2002 Yankees wir sehen 15 Jahre sie gewann in 98. 2009 1999. Wenn ich die sortieren will, was geht es dann? Werkzeuge Entwurfsbericht-Layout-Gliederungsformular, das diese Rolletiketten aufteilt. Machen Sie es auch ein wenig lesbarer. Jetzt ein Konsortjahr kleinste bis größte statt Rangfolge nach Gewinnprozentsatz und jetzt ist es ein bisschen einfacher zu lesen. So gewannen die Yankees fünf Mal in 96 98 99 2000 und 2009. Red Sox gewann dreimal die World Series. Marlins zweimal. Drei Mal Riesen, zweimal Kardinäle. Ziemlich coole Sachen, die wir wirklich mit einigen sehr einfachen Pivot-Tabellensortier- und Filterwerkzeugen extrahieren können. Aber jetzt kehren wir zurück zu unserem ursprünglichen Gewinnprozent-Trend-Sicht. Also werde ich Team und D-Filter ausräumen oder ungefiltert, diese Welt ernst. Winfield. Und anstatt sowohl Siege und Verluste zusammen mit dem Gewinnprozentsatz zu zeigen, brauchen wirklich nur Gewinnprozentsatz an dieser Stelle. Wenn ich also Gewinne und Verluste herausziehe und wie wir darüber gesprochen haben, wird der Gewinnanteil immer 50% betragen. Wenn ihr euch alle Teams anschaut, dann bin ich also, warum wählen wir nicht ein bestimmtes Team aus, wenn wir hier nach den Riesen suchen ? Nur auf die San Francisco Giants filtern? Und jetzt möchte ich ein Pivot-Diagramm hinzufügen, um diesen Trend zu visualisieren und auch einige interessante Korrelationen zu analysieren. Da ich also meine einfache Ansicht hier eingerichtet habe, kann ich ein Pivotdiagramm direkt von meiner Pivot-Tabellen-Tool-Option einfügen und das Säulendiagramm wird gut funktionieren. Fügen Sie also diese Spalte ein, zeichnen Sie meinen analysierten Tab aus. Ich möchte nicht, dass diese Feldschaltflächen das einfach ausbreiten können. Das macht also einen schönen Job, den Giants Gewinnprozentsatz zu zeigen. Wie es Jahr für Jahr im Trend ist, damit wir sehen können, wo sie starke Saisons hatten, wo sie schwache Jahreszeiten hatten, wo sie vielleicht das Team wieder aufbauen, aber eine nette Art einfache, aber klare Visualisierung hier. Aber ich möchte ein Level tiefer gehen und ich will es verstehen, was mit Gewinnprozentsatz korreliert werden könnte . Also eine Sache, die Ihnen in den Sinn kommt und Sie vielleicht einen anderen Ansatz nehmen, aber in diesem Fall, warum schauen wir nicht auf die Mannschaft Batting Durchschnitt, weil Batting Durchschnitt ist ein ziemlich guter Indikator für Trefffähigkeit, die theoretisch übersetzen, um zu laufen, erzielte und damit Winde. Also wähle ich ein Feld meiner Pivot-Tabelle aus, gehe in meine Werkzeuge, Felder, Felder, Elemente und Sets und füge ein neues berechnetes Feld für ein V, G oder Durchschnitt hinzu, und das wird als Treffer oder H geteilt durch bei Fledermäuse oder ein B. Also, das ist Watting-Durchschnitt. Wenn ich auf OK klicke, sehen Sie, dass dieses neue Feld sowohl meiner Tabelle als auch meinem Pivotdiagramm hinzugefügt wurde. Und um dies ein wenig effektiver zu visualisieren, was ich tun werde, ist, das von einer gruppierten Spalte zu ändern, die standardmäßig auf einen anderen Diagrammtyp eingestellt ist. Ich werde den ganzen Weg nach Combo gehen, und ich möchte, dass mein Gewinnprozentsatz als Spalten angezeigt wird, wie es ist, aber ich möchte, dass der Durchschnitt als Liniendiagramm auf der Sekundärachse angezeigt wird. Ich wähle sekundären Zugriff, damit ich jede dieser Siri und jede dieser Achsen unabhängig bearbeiten kann . Also drücken Sie okay. Wir zeigen jetzt unsere zwei Metriken oder zwei Measures auf einmal, und schon können wir eine ziemlich schöne Korrelation zwischen Batting Durchschnitt und Gewinn Prozentsatz sehen . Jetzt wissen wir, dass Korrelation nicht unbedingt eine Ursache ist, aber in diesem Fall können wir ziemlich zuversichtlich sein. Zumindest richtungsweisend ist diese Leistung im Allgemeinen ein solider Treiber des Gewinnprozentsatzes. Also lassen Sie uns jetzt nur ein paar Formatierungszwecke hier in einem Rechtsklick-Format machen. Die Daten Siri ist dieser Fall anstelle von Orange. Ich will eine schöne dunkelblaue Linie dort, und ich bevorzuge die glatte Linie, damit ich das Feld unten ankreuzen kann. Und ich habe meine Legende hier zeigt mir, welche Siri ich als Spalten visualisiere, in denen Siri als Linien visualisiere. Also mein letzter Schritt, weißt du, nur um ein bisschen mehr Interaktivität hinzuzufügen, ist, einen Slicer auch für deinen und so einzufügen . Moment schaue ich mir nur die Riesen an, die Sie sehen können, wenn wir nach unten scrollen, ist das einzige ausgewählte Element. Aber auf diese Weise können Sie ein beliebiges Team auswählen und ein Gefühl dafür bekommen, wie die Korrelation aussieht und wie der Gewinnprozentsatz und der Schlagdurchschnitt für jedes einzelne Team gestrengt sind. Sie haben vielleicht bemerkt, dass diese Marker orange formatiert wurden. Um ehrlich zu sein, ich habe keine Ahnung, warum das passiert ist. Aber wenn du neugierig bist oder wenn du ihn nicht magst, zeige ich dir, wie du das ändern kannst. Sie können in Formatdaten zurückkehren. Siri geht in die Zeile. Es gibt diese Marker-Registerkarte können Sie auf Drill in Ihre Marker-Optionen klicken, und es einfach irgendwie automatisch diese seltsamen orangefarbenen Kreise hinzugefügt. Also werde ich sagen, Lasst uns eingebaute Marker mit diesen kleinen Diamanten machen, Größe 6 und was? Füllen Sie sie mit Weiß und geben Sie ihnen einen festen Rand in diesem dunkelblauen. Und ich würde das schließen. Da gehen wir. Das sieht ein bisschen besser aus als die zufällige Orange, und Sie passen sich an alles andere an, irgendwie wie Sie sich entscheiden. Sie können das Label mit Legende unten setzen, aber offensichtlich sind die Formatierungsoptionen hier im Wesentlichen endlos. Also, da gehen Sie, offensichtlich eine Menge Richtungen, die wir mit diesem Datensatz hätte gehen können, aber hoffentlich wird dieser Ansatz Ihnen einige Ideen und einige Inspiration geben, um diese Daten selbst zu erkunden 7. San Diego Burrito Bewertungen: Alles klar, Dieser nächste Fall studiert eine andere meiner Favoriten, San Diego Burrito Bewertungen. Also Data sagte, dass wir hier haben enthält Burrito Bewertungen und Yelp Bewertungen von 65 verschiedenen San Diego Restaurants im Jahr 2016. Also 237 Beobachtungen. Relativ kleine Probe, aber einige wirklich interessante Art von ungewöhnlichen Dimensionen und Maßnahmen, mit denen wir arbeiten müssen . In diesem Fall umfassen Dimensionen Standort, Burrito-Name, Datumsempfehlung, wer der Prüfer war und zusätzliche Notizen. Und dann für Maßnahmen. Wir haben die Yelp-Bewertung, die Kosten des Burrito, und dann eine ganze Reihe von 0 bis 5 Bewertungen entlang verschiedenen Elementen des Burrito selbst, so dass Tortilla-Temperatur, die Füllungen, die Volumen, Gleichmäßigkeit erfüllen , Salsa Synergie, was auch immer das auf Wickelqualität bedeutet. Also werden wir hier ein paar verschiedene Konzepte abdecken. Eines der wichtigsten ist die Berechnung mit Count-Spalten, eines der Triggerkonzepte, das wirklich wichtig ist, um weiter zu üben. Wir üben zusammengefasste Werte, indem wir Werte als Rang anzeigen und dann einige wirklich nette, bedingte Formatierungstricks machen , um diese Daten wirklich zum Leben zu erwecken. Also lasst uns voran gehen, um zu übertreffen und direkt in alles in Ordnung zu springen. Wenn Sie also Ihre Arbeitsmappe für die Pivot-Tabelle geöffnet haben, arbeiten wir mit dem Burrito-Rating-Tab von San Diego. Und lasst uns einfach A kontrollieren, um alles zu packen. Fügen Sie eine neue Pivot-Tabelle in ein neues Arbeitsblatt, das wir Burrito Pivot nennen können, Rechtsklick ändern Sie die Farbe der Registerkarte in hellgrün. Und wir sind gut, durch die Felder und den Datensatz zu schauen, mit dem wir hier arbeiten müssen . Ich bin, als ob wir über Sie gesprochen haben, dass es ein wenig anders ist als einige der anderen Datensätze, mit denen wir bis zu diesem Punkt in diesem Fall gearbeitet haben, alle unsere Maßnahmen, mit Ausnahme der Kosten unserer Bewertungen auf einer 0 bis 5 Skala. Dies wird uns also eine wirklich gute Chance geben, einige Techniken zu üben, wie gewichtete Durchschnittswerte und die Verwendung von Zählspalten in berechneten Feldern. Also lassen Sie uns diese Fallstudie mit einer Analyse der Ergebnisse von Burrito beginnen, damit ich Burrito nehmen kann , es direkt hier in meine Rollenlabels ziehen kann, und dann können wir alle Punkte, die uns interessieren, in Werte ziehen. Vielleicht brauchen wir nicht alle acht. Vielleicht kümmern wir uns nur um ein paar davon, wie Tortilla-Temperaturen. Wichtig. Natürlich brauchst du gute Gefühle und dann lass uns gehen. Synergie klingt nach einer guten Bewertung. Also haben wir vier verschiedene Bewertungen Tortilla, Temp Füllungen und Synergie. Aber jetzt können Sie sehen, dass sie als Summen bewerten, was hier nicht wirklich sinnvoll ist. Wissen Sie, wenn wir für einen bestimmten Burrito für ein Feld wie Tortilla und eine Bewertung war eine 41 war eine Fünf. Wir wollen das als 4,5 Durchschnitt bewerten, nicht die Summe von vier und fünf, die in diesem Fall eine Neun sind. Also ist es die zusammengefassten Werte Optionen von einigen Zehe Durchschnitt für jeden dieser Werte zusammenfassen nach Durchschnitt geändert , und dann werden wir auch tun. Es hat das Zahlenformat geändert, um es hier ein wenig lesbarer zu machen, also werde ich nur eine Zahl mit zwei Dezimalstellen anstelle eines allgemeinen Formats machen. Da gehen wir. Jetzt haben wir unsere vier Durchschnittswerte für einzelne Elemente oder Komponenten des Burritos, und jetzt möchte ich eine Art von einem einzigen aggregierten Durchschnittswert basierend auf diesen vier Komponentenbewertungen erstellen . Also, warum spielen wir nicht ein bisschen damit? Gehen Sie in sind berechnete Felder und nennen Sie es durchschnittliche Gesamtpunktzahl. Jetzt denken Sie, könnte hier Sinn in Bezug auf die Formel machen, könnte es sein, eine Klammer zu öffnen und sagen, Alles klar, unsere durchschnittliche Gesamtpunktzahl sollte unsere Tortilla-Score, plus unsere temporäre Punktzahl, plus unsere Füllungen Punktzahl und endlich unsere Synergie-Score. Schließen Sie die Klammer dividieren durch vier, um den Durchschnitt zu nehmen, und drücken Sie OK, jetzt, wenn Sie dies tun und es in dieser durchschnittlichen Gesamtpunktzahl sinkt, werden Sie sehen, etwas sinnvoll. Wie für 619 burrito original. Ich wähle einfach die vier Komponenten-Partituren hier unten aus. Ich sehe die Durchschnittswerte 375, die hier in Spalte F für die Sucht richtig sind, den Durchschnitt drei, was richtig ist. Aber dann habe ich solche wie zwei und eins, wo der Durchschnitt 363 sein sollte und ich bekomme 10.88 und ABA daba, die 355 sein sollte, bekomme ich jetzt 24.88. Ich möchte, dass du dir eine Minute nimmst und dieses Video pausierst und überlegst, warum das passiert. Warum bekomme ich also Partituren, die größer als fünf sind, wenn wirklich, sie sollten alle den Durchschnitt der vier Felder ausmachen. Also nehmen Sie sich eine Minute, denken Sie darüber nach, und drücken Sie dann „Play“, wenn Sie denken, dass Sie eine Antwort haben , in Ordnung, damit wir es herausfinden können. Dies geht zurück auf das berechnete Feldkonzept, wo alle Kennzahlen oder Metriken, die in einer berechneten Spalte enthalten sind, als Sohn ausgewertet werden müssen . Also im Moment, weil sie berechnet werden, nimmt Field diese vier Partituren Tortilla Temp Füllungen und Synergie. Es nimmt einige dieser vier Partituren und teilt sich dann durch vier. In Fällen, in denen es nur eine Bewertung für einen bestimmten Burrito gibt, wird die Summe die gleiche wie der Durchschnitt sein, so dass ein berechnetes Feld uns genau das gibt, was wir brauchen. Das Problem liegt in Burritos, die mehr als eine Überprüfung haben, und wir können tatsächlich sehen, was dort vor sich geht, indem wir in eine andere Instanz von Burrito ziehen, die eine Dimension ist und es als Konto in unserem Wertefeld bewerten. Und jetzt, da das zählt, wie oft dieser Burrito im Datensatz auftauchte und weil ihr Datensatz auf der Überprüfungsebene ist. Wir wissen, dass dies die Anzahl der Bewertungen für jedes bestimmte Rollenlabel angibt. Die Fälle, die korrekt bewertet wurden, sind also alle Fälle, in denen es nur eine Überprüfung gibt. Mit anderen Worten, es gibt keinen Unterschied zwischen der Bewertung eines einigen im Vergleich zu einem Durchschnitt, wo wir sehen, dass die falschen durchschnittlichen Gesamtwerte für jeden Burrito sind, der mehr als eine Bewertung hat, wie zwei und eine ABA daba l bestanden oder Kalifornien und so weiter und so weiter. Und eine Sache, die hier interessant ist, ist, dass, wenn wir nehmen, ich werde nur eine Sekunde die Pivot-Tabellenfeldliste löschen, um etwas mehr Platz zu bekommen. Wenn wir die durchschnittliche Gesamtpunktzahl von werden berechnet Feld und teilen sie durch diese Zählspalte , die Anzahl der Bewertungen, dann plötzlich bekommen wir die richtigen Zahlen. Also zwei und eins, zum Beispiel, der Durchschnitt 363 363 Für Kalifornien, sollte der Durchschnitt 365 365 sein. Also durch Division des berechneten Feldes, das wir erstellt hatten, das auf Summen aufgebaut ist und die durchschnittliche Gesamtsumme dividiert Punktzahl durch die Anzahl der Bewertungen, wir am Ende mit der richtigen Zahl, die wir suchen. Wenn Sie sich also erinnern, können wir keinen Operator namens Count of Burrito hinzufügen, in das berechnete Feld, da wir wieder Summen brauchen, die wir keine Zahlen verwenden können. Als Arbeit brauchen wir also ein Feld oder eine Spalte in unseren Daten, deren Sohn uns die gleichen Werte gibt. Und da Count of burrito einfach Rose in ihrem Datensatz zählt, können wir einfach eine neue Spalte erstellen und jede Zeile mit einem Wert von eins zuweisen, so dass wir dann einige sie nach oben, nach diesen echten Labels, geben uns die gleiche Antwort. Also ich weiß, das klingt etwas komplizierter, als es wirklich ist, aber lassen Sie mich Ihnen zeigen, was ich meine. Geht zu ihrem Burrito Bewertungen Rohdaten. Ich füge hier eine neue Spalte ein, und wir nennen es Anzahl von Bewertungen, weil ihre Daten auf der Überprüfungsebene und nur Typ von eins sind. Wenden Sie es nach unten. Jede Zeile ist also gleich eins. In diesem Fall zurück in unserem Burrito Pivot kann es zurück in unserem Burrito PivotIhre Datenquelle ändern, und da es nur über Q betrachtet wird, könnte es einfach dieses B in ein A ändern oder es könnte die Auswahl manuell ziehen und drücken. OK, jetzt, wenn ich mein Feld wieder öffne, sehen Sie diese Anzahl von Review-Feldern ist jetzt für mich verfügbar . Also, als ich das direkt neben der Zählung von Burrito gezogen habe, ist der Teil der Anzahl der Bewertungen jetzt genau gleich der Anzahl der Burrito-Dimension . Und wieder, weil beide dieser Felder oder einfach nur zählen Rose diejenigen nur tun es mit einer Zählung Sommer ization. Die andere, die wir gerade erstellt haben, macht es durch eine einige Sommer-Ignation. Und das ist diejenige, die ich jetzt als Teil meines berechneten Feldes verwenden kann. Also lasst uns gezählte Burrito rausziehen. Da wir das nicht mehr brauchen und ein Auge auf diese durchschnittliche Gesamtpunktzahl, in die wir gehen werden, sind berechnete Felder, wir diese Definition bearbeiten und im Grunde, was wir tun werden, ist, diese genaue Definition zu nehmen , wie wir berechnet es hier und teilen Sie das Ganze durch die Anzahl der Bewertungen , die uns die richtige Antwort geben wird. Also zuerst die Dinge zuerst umgeben all dies mit einem anderen Satz von Klammern und dann teilen Sie das durch die Anzahl der Bewertungen, drücken Sie OK und sehen, wie das aktualisiert wird, um uns die genaue Zahl zu geben, die wir suchen. Also jetzt zwei und eins, 363363 California sollte 365365 sein und da gehst du. Jetzt haben wir die richtige Version der durchschnittlichen Gesamtpunktzahl, die wir durch die Verwendung der Buchhaltungsspalte in unseren Rohdaten erreicht haben, damit wir dieses Feld richtig berechnen können. Lassen Sie uns also voran gehen und ziehen Sie diese durchschnittliche Gesamtpunktzahl nach einer Reihe von Bewertungen nach vorne . Und jetzt, da wir eine Art von dieser durchschnittlichen Gesamtpunktzahl als unsere wichtigste KP I oder Schlüsselmetrik hier haben, möchte ich wirklich die Aufmerksamkeit auf diese Spalte als meinen Vergleichspunkt über Zeilenbeschriftungen lenken . Eine Möglichkeit, dies zu tun, besteht darin, eine zweite Instanz der durchschnittlichen Gesamtpunktzahl zu ziehen. Und anstatt dies ohne Berechnung zu zeigen, lassen Sie uns diese Werte als Rang von groß bis klein anzeigen, wobei mein Basisfeld der Burrito-Name ist. Jetzt kann ich die durchschnittliche Gesamtpunktzahl in Form eines Ranges aus dieser ganzen Liste sehen. Also zwei und eins auf Platz 17 in dieser Liste in Bezug auf die durchschnittliche Gesamtpunktzahl. Arizona ist mit der Punktzahl für 13 California nur Käse auf Platz drei und so weiter und so weiter. Und jetzt wissen Sie, wie immer, Ich habe diese Felder für Sortieroptionen zur Verfügung, so dass ich absteigend nach dieser durchschnittlichen Gesamtpunktzahl sortieren kann . Und jetzt sind meine Nummer eins Burritos an der Spitze gelistet Colima Spirito veg aus beiden mit Punkten von fünf. Und dann am anderen Ende des Spektrums, meine niedrigsten bewerteten Burritos wie Camp A On und Chicken Asada, die Ergebnisse von 25 und 238 bekommen, sind hier unten unten auf der Liste aufgeführt. Diese Rangspalte ist also definitiv hilfreich. Wir können es tatsächlich Rang nennen, nur um es ein bisschen klarer zu machen. Aber jetzt wollen wir wirklich versuchen, diese Daten mit einer bedingten Formatierung Leben zu erwecken. Also möchte ich das Rangfeld vor meiner Gesamtpunktzahl nach oben verschieben. Ich kontrolliere die Verschiebung, um diese Spalte „Total Score“ auszuwählen, und ich möchte nicht die Gesamtsumme. Also gehen, um zu entwerfen, schalten Sie die Gesamtsummen aus nur Shift Klicks, und ich habe die gesamte Spalte für die durchschnittliche Gesamtpunktzahl ausgewählt Ich werde in mein Home-Menü gehen , bedingte Formatierung und in einer Farbskala hier von grün nach rot, weil ich möchte, dass meine Highscores grün formatiert und meine niedrigen Noten rot formatiert werden. Und wie Sie nach unten scrollen, können Sie eine Art dieser Schattierungen von Orange und Rot sehen, wie Noten schlechter werden, geht bis zu Gelb- und Grüntönen, da die Noten besser werden. Und nun, um diese Visualisierung einen Schritt weiter zu gehen, werde ich eine meiner Komponenten-Partiturspalten auswählen und eine Markierungszellenregel anwenden. Und in diesem Fall alles, was ich versuche zu tun. Es ist irgendwie ein wenig mehr Einblick in die Komponenten-Partituren die durchschnittliche Gesamtpunktzahl für einen bestimmten Burrito steuern. Anstatt also Farbskalen für alle diese Spalten zu machen, die ein wenig beschäftigt werden könnten, werde ich nur einige Highlights machen. Zellenregeln. In Fällen, in denen die Punktzahl größer als vier ist, lassen Sie uns diese grün markieren. Da das eine wirklich starke Punktzahl ist, und dann, mit der gleichen Auswahl an Ort und Stelle, lassen Sie uns eine weniger als Markierungsregel für alle Partituren tun, die weniger als drei sind, was eine ziemlich schlechte Punktzahl mit einer roten Füllung und dunkelrot ist -Texte. Alles andere wird einfach unformatiert bleiben. Also jetzt für diese Spalte ist es viel einfacher, ungewöhnlich hohe oder ungewöhnlich niedrige Punktzahlen und einen kleinen Profi-Tipp hier zu sehen . Anstatt diesen gleichen Prozess noch drei Mal durchzugehen, kann ich diese ganze Spalte nehmen und einen kleinen Tipp im Home-Menü namens Format Painter verwenden. Wenn ich jetzt auf dieses Tool doppelklicke, habe ich dieses exakte Format kopiert, obwohl es ein dynamisches, bedingtes Format ist. Und ich kann einfach auf die erste Zelle in jeder dieser Spalten klicken und dieselbe bedingte Formatierungslogik auf jede dieser Spalten anwenden . Und wenn ich fertig bin, drücken Sie einfach den Knopf wieder und da haben Sie ihn. Also jetzt habe ich ein wirklich schönes Bild, das mir die Gesamtranglistenpunktzahl sowie einzelne Komponentenwerte zeigt , weißt du, ungewöhnlich hohe oder niedrige Werte hervorheben. Also sind einige interessante Trends hier, wissen Sie, unsere Bestnote neigen dazu, gut auf der ganzen Strecke zu sein. Wir haben einige Fälle, in denen ein Burrito wie Deborah Special wirklich gut in Bezug auf Temperatur, aber nicht so gut in Bezug auf die Füllung und umgekehrt. Es gibt also Tonnen von verschiedenen Geschichten, die Sie jetzt anfangen können zu extrahieren, nur indem die Visualisierungen hier jetzt ansehen, endgültige Anpassung, die ich hier machen möchte, die Sie vielleicht bemerkt haben, ist, dass viele dieser Burritos nur haben eine einzige Bewertung, was nicht unbedingt fair ist, wenn wir es mit anderen Burritos vergleichen, die drei, sechs oder 13 oder sogar 60 Bewertungen haben könnten . Also, was ich empfehlen würde, dies ein wenig mehr von einer Äpfel-Ansicht zu machen, wäre, voran zu gehen und einen Wertefilter auf die Burritos-Spalte anzuwenden und größer als zu wählen , so dass wir sagen können, Lassen Sie uns Onley auf Daten schauen oder Burritos, wo die Anzahl der Bewertungen größer als eine Presse ist. Okay, jetzt haben wir unseren Blick auf mehr Äpfel zu Äpfeln im Vergleich zwischen allen Burritos, die mindestens zwei Bewertungen haben, getrimmt . Und dann natürlich können Sie natürlichalle anderen Formatierungstools anwenden, die Sie möchten. Sie könnten das verwendete zentrieren, um es ein wenig lesbarer zu machen. Sie können die Spaltenüberschriften ändern, was auch immer Sie wählen. Aber was an Pivot-Tabellen großartig ist, ist, dass ich jetzt all diese Arbeit eingefügt habe, um diese wirklich coole Ansicht und Vorlage zu erstellen . Ich kann dann einfach Rolletiketten austauschen, aggregieren oder schneiden oder Daten auf verschiedene Arten, ohne eine dieser Formatierungsregeln neu erstellen zu müssen . Also, zum Beispiel, das ist, was du bei deinen Hausaufgaben machen wirst. Ich kann Burrito herausziehen, und anstatt nach Burrito zu bewerten, kann ich nach Ort bewerten. Und das Einzige, was hier geändert werden muss, ist die Rank-Spalte. Da das ein Elternteil von Burrito verwendet. Jetzt ist mein Basisfeld Standort, und dort haben wir es, so dass ich den gleichen Prozess durchlaufen kann, der meine Standorte einordnet, absteigend von der durchschnittlichen Gesamtpunktzahl. Und da hast du es. So, wie wir am Anfang Burritos analysiert hatten, haben wir jetzt sehr schnell dieselbe Art von Analyse auf Standorte angewendet. Wirklich, wirklich mächtige Werkzeuge hier, um Tonnen von Einblicken aus diesen Daten zu extrahieren, und das schließt ihre Fallstudie ein. Kickoff. Jetzt sind Sie dran, Ihre Hände schmutzig zu machen. 8. Tägliche Wetterbedingungen: Alles klar. Unsere nächsten Fallstudien täglichen Wetterbedingungen, und der Datensatz dort müssen mit arbeiten. Hier sind tägliche Wetterdaten aus Boston, Massachusetts, von Januar bis Dezember 2016. Also haben wir tatsächlich knapp ein ganzes Jahr von Daten 363 Zeilen zu arbeiten. Bekomme Dimensionen wie Datum und die Art der Bedingungen. Klarer Regen, Schnee und dann einige Maßnahmen, um die maximale Temperatur für den Tag zu erfassen. Die mittlere Temperatur, minimale Temperatur, maximale Windgeschwindigkeit und eventuelle Niederschläge in Bezug auf Zoll. den Konzepten, die in diesem Kickoff abgedeckt werden, gehören das Sortieren und Filtern von Pivot-Diagrammen , Gruppieren von Datumsangaben und das Berechnen mit Zählung. Also lasst uns gleich reinspringen. also in Ihrer Arbeitsmappe für die Pivot-Tabelle Gehen Siealso in Ihrer Arbeitsmappe für die Pivot-Tabellevor und klicken Sie auf die Registerkarte „Tägliche Wetterbedingungen“. Wenn Sie einen dieser Werte ausgewählt haben, drücken Sie einfach die Steuerungstaste. A. Um den gesamten Datenbereich zu erfassen. Pivot in ein neues Arbeitsblatt einfügen. Wir nennen dies ein Wetter Pivot und formatieren die Tab-Farbe mit dem hellgrünen, und da gehen wir. Also haben wir unseren Ausgangspunkt, und jetzt, um die Dinge zu starten, möchte ich beginnen, indem ich die durchschnittlichen Durchschnittstemperaturen betrachten, um zu sehen, wie die Dinge Tag für Tag und im Laufe von Monaten und Jahreszeiten rausgehen . Also fangen Sie an, mit dem Datum zu ziehen. Sie werden feststellen, dass es automatisch gruppiert sie zwei Monate. Das ist in Ordnung. Ich werde damit beginnen, Monate in das Filterfeld zu ziehen, so dass ich nur nach Tag suchen um zu beginnen. Und dann, in Bezug auf Werte, lassen Sie uns die mittlere Temperatur erfassen, die in Werte sinkt. Ich werde bemerken, dass es standardmäßig der Sonne entspricht, die, weil ihre Daten auf der täglichen Ebene sind. Das würde uns tatsächlich die richtige Antwort geben, aber das wollen wir nicht. Einige dieser Temperaturen, wie wir uns die Daten nach Monat oder Jahr oder auf jeder aggregierten Ebene oder Ansicht betrachten, so können wir tun, ist die Sommerisierung auf Durchschnitt ändern. Wie Sie sehen können, ist es genau das gleiche wie einige auf der täglichen Ebene, aber jetzt wird den Durchschnitt nehmen, wenn wir das rollen bis zwei Monate oder Jahre oder irgendetwas anderes. Also mit mittlerer Temperatur hier, um mir zu helfen, visualisieren, wie sich die Dinge bewegen, kann ich diese ganze Spalte auswählen, tatsächlich die Gesamtsummen loswerden und einfach die Daten selbst auswählen, und von hier aus, was ich tun möchte ist eine Farbskala einfügen, also werde ich nach Hause bedingte Formate Farbskalen gehen und ich mag diese rot bis blau, weil blau Art von fühlt sich kalt und Redfield heiß. Ich werde diese Farbskala speziell wählen und schon wenn Sie durch blättern, können Sie sehen, wie es sich von blau nach rot und dann zurück zu blau bewegt, während wir in den Frühling, Sommer, Herbst und Winter gehen. Das ist also ziemlich cool für sich selbst, genau als Visualisierungs-Tipp. Offensichtlich kann ich hier auch Sortieroptionen anwenden, also OK, absteigend mit mittlerer Temperatur wird mir den heißesten Tag des Jahres sagen , der 12. August war. Mit einer Durchschnittstemperatur von 86 Grad. Ich konnte entweder den ganzen Weg nach unten scrollen oder einfach meine Sortieroptionen aufsteigend ändern um den kältesten Zustand des Jahres zu sehen , der Valentinstag 2016 wirklich kalt war. Die durchschnittliche Temperatur betrug Null Grad, was eigentlich 11 Grad kälter ist. Dann der zweite kälteste Tag , der der 15. war. Und wenn Sie durchblättern, ist es irgendwie cool zu sehen, dass sich diese Farbskalen allmählich verschieben, wenn sich die Werte ändern. Also, da gehst du. Das ist eine schöne Möglichkeit, die Temperaturen auf dem Tagesniveau zu erkunden. Aber jetzt bringen wir das Datum heraus, ziehen Monat ins Bild. Das erzählt uns also die gleiche genaue Geschichte hier, nur auf einem höheren Niveau der Granularität. So jetzt können wir die höhere Ebene Trend für Monat sehen, wo Januar und Februar sind sehr, sehr kalt beginnt sich im April, Mai, Juni aufzuwärmen Mai , und dann haben Sie Juli und August, die sind die heißesten und dann beginnt wieder zu chillen im Herbst Richtung Dezember . Diese Farbskala ist also nicht wirklich schön, die monatlichen Temperaturänderungen zu visualisieren . Aber ich möchte auch ein Liniendiagramm hinzufügen, um diesen Trend zu visualisieren oder noch deutlicher zu zeigen . Also werden wir Tabellentools pivotieren, Diagramm pivot und lassen Sie uns Linie hier auswählen und OK drücken, ich kann nicht loswerden einige dieser Funktionen. Benötigen Sie die Feldtasten nicht. Ich brauche hier nicht wirklich eine Legende, da wir uns nur ein Siri ansehen und für den Titel könnten wir es einfach als durchschnittliche Temperatur für Monate bezeichnen. Machen Sie diesen Titel fett, verteilen Sie es ein wenig und da Sie gehen und Sie wissen, nur in Bezug auf die Formatierung ist eine Art nit wählerisch. Aber in einem Fall wie diesem würde ich gerne Datenbeschriftungen hinzufügen und sie dann ein wenig formatieren. Ich möchte sie oben so über den Datenpunkten anzeigen, und ich möchte das Zahlenformat ein wenig ändern, es zu einer Zahl mit vielleicht einem Dezimalpunkt machen, und dann können wir das schließen. So hilft das nur, den Trend ein wenig mehr zu sehen und auch die Daten zu formatieren, die Siri füllen und Linie wird. Ich benutze gerne eine glatte Linie. Hier geht es wieder gut. Das ist nur irgendwie meine Vorliebe. Du musst nichts davon tun, wenn du es nicht magst, aber da gehst du. Jetzt sehen wir eine sehr klare Art von Stoß in Juni, Juli, August, August, und dann eine Studie Drop zurück nach Oktober, November, Dezember. Von hier aus könnten wir auch eine Zeitleiste hinzufügen. Da wir ein Datumsfeld haben und auch eine Timeline fallen lassen, im Wesentlichen, was dies tun wird, wird es uns eine Art Werkzeug geben, das wir verwenden können, um diese Ansicht zu trimmen Also jetzt schauen wir uns alle 12 Monate an. Aber wenn wir uns zum Beispiel nur um die erste Jahreshälfte kümmern , können wir die Zeitleiste verwenden, um genau diese Ansicht zu verwenden, wissen Sie, vielleicht nur um die zweite Jahreshälfte zu kümmern. Da gehst du. Und Sie konnten sowohl die Tabelle als auch das Diagramm entsprechend aktualisieren. So nettes kleines Visualisierungstool, dass wir schauen, Temperaturen nach Monat analysieren können . Offensichtlich könnten wir genau das gleiche tun mit Max Temp min Temp, Windgeschwindigkeit Niederschlag. Also würde ich empfehlen, dies zu erkunden und vielleicht ähnliche Visualisierungen mit verschiedenen Feldern auszuprobieren . Das nächste, was ich gerade in dieser Fallstudie Kickoff demonstrieren möchte, ist, dass ich jetzt, wo ein gutes Gefühl für Durchschnittstemperaturen im Monat habe, neugierig bin, ein wenig tiefer in die Max- und Min-Temps zu graben, und möchte ich mir die Temperatur am Tag ausbreiten. Also möchte ich sehen, an welchen Tagen die größten Unterschiede zwischen der Max-Temp und der Minztemp gesehen haben. Anstatt diesen Drehpunkt zu manipulieren und mein Diagramm zu ruinieren, wählen Sie einfach die gesamte Pivot-Tabelle aus, kopieren Sie sie und fügen Sie sie dann hier unten ein. So bewahrt die Arbeit, die wir getan haben. Hier unten können Sie nur eine zweite Instanz der Pivot-Tabelle verwenden. Also lasst uns weitermachen und Monate rausziehen. Es geht zurück auf das tägliche Niveau jetzt, ziehen Sie die minimale Temperatur und die maximale Temperatur wieder. Da ich täglich Ebene bin, ist es wirklich egal, welche Sommerisation Modi verwenden, aber weil ich weiß, dass ich diese bis monatlich rollen werde. Irgendwann werde ich das von Summen auf den Durchschnittswerten ändern. Und ich möchte ein berechnetes Feld erstellen, um mir die Verbreitung zu geben, über die ich gesprochen habe. Gehen Sie in Pivot-Tabellen-Tools, Felder, Elemente und Sets. Nennen wir es verlockt Verbreitung. Und wirklich, das Einzige, was hier Sinn macht, ist Max Minus zu nehmen. Die Männer drücken OK, und dies scheint richtig zu bewerten, zumindest auf der täglichen Ebene. Also für jeden Tag oder Datum, kann ich die Verbreitung sehen. Am 14. Februar war das Tief negativ. Neun. Das Hoch war 12, die Verbreitung von 21 15. Spread war von 4 bis 35, was ein Temp 31 war und ich kann dieses Temp Spread Feld jetzt als Sortieroption verwenden. Welche Sortierung nach Temp Spread absteigend, um zu sehen, welcher Tag in unserer Stichprobe den größten Unterschied zwischen hohen und niedrigen Temps zeigte . stellt sich heraus, dass der 9. März war, wo es eine niedrige Temperatur von 40 und ein Hoch von 77 hatte, was der Ausbreitung von 37 Grad entspricht. Das ist also cool, und das ist hilfreich. Aber jetzt, sagen wir, ich möchte sehen, dass diese durchschnittlichen Temps nach Monat und nicht nach Tag verteilt werden. Wissen Sie, um zu sehen, ob es eine größere Spread für bestimmte Jahreszeiten gibt oder ob es einen Trend gibt, der auf monatlicher Ebene interessant sein könnte . Also lassen Sie uns Datum mit Monaten tauschen, und hier sehen wir, dass unsere Temps plötzlich verteilt ist total verrückt. Wir sehen also einen Versuch von 433 Grad im Januar, und zu diesem Zeitpunkt sollten Sie beginnen, ein Gefühl dafür zu bekommen, warum diese Art von Fehler auftritt, und es liegt daran, dass temps spread ein berechnetes Feld ist. Berechnete Felder müssen Summen für alle Eingabefelder verwenden, die in die Formel eingehen, und in diesem Fall sind die Eingabefelder minimale Temperatur und maximale Temperatur. Was ich realistisch will, ist eine Formel, die sagt, Subtrahieren Sie die durchschnittliche Mindesttemperatur von der durchschnittlichen maximalen Temperatur und geben Sie mir diesen Unterschied. Also in diesem Fall, wirklich, was ich will, ist 39,484 minus 25,516 Also sollte das wirklich auf 13,97 statt 4 33 bewerten Aber wie wir darüber gesprochen haben, können wir nicht in das berechnete Feld gehen, das versucht, sich zu verbreiten. Und wir können nicht sagen, Gib mir die durchschnittliche Maximaltemperatur minus dem durchschnittlichen Min-Zelt. Das funktioniert einfach nicht. Was wir also brauchen, ist eine Hilfspalte oder eine neue Spalte und ihr tatsächlicher Datensatz, der die Zählung annimmt und als Sohn ausgewertet wird , den wir in unserer Formel verwenden können. Gehen wir also weiter in die täglichen Wetterbedingungen. Fügen Sie einfach eine neue Spalte hinzu, nachdem wir es eine Reihe von Tagen nennen. Da unsere Daten auf der täglichen Ebene sind, wird es nur einen Wert von eins nehmen. Sehen Sie, dass es standardmäßig ein Datumsformat ist, also lassen Sie uns das einfach in eine Zahl ändern. Wenden Sie es auf. Also, jetzt haben wir einen Wert von eins in jeder Zeile für diese neue Anzahl von Tagen Spalte zurück in meinem Pivot, Sie können fortfahren und diesen Pivot aktualisieren. Es gibt Anzahl von Tagen, und jetzt müssen wir diese Formel konvertieren, die wir von einigen der max temp und mint temp geschrieben hatten , was die Standardeinstellung ist. Die einzige Option. Wir müssen das auf das durchschnittliche Maximum der durchschnittlichen Männer ändern. Also, um die durchschnittliche maximale Temperatur zu bewerten, kann ich die maximale Temperierung die Summe von Max Temp und dividiert durch die Anzahl der Tage nehmen? Das ist die gleiche Sache, das durchschnittliche max Zelt zu nehmen. Ich werde das gleiche tun, mit minimaler Temp-Öffnung Klammer geteilt durch die Anzahl der Tage und schließen Sie es ab. Also, jetzt bedeutet dies die durchschnittliche maximale Temperatur minus der durchschnittlichen Männer Temperatur. Die Presse. Okay, da gehst du. Also 13.967 Ich könnte einfach die manuelle Berechnung in einem Spot-Check hinzufügen, es nach unten ziehen und es ist direkt auf Punkt. Diese neue Formel, die wir mit dieser Zählspalte in unseren Rohdaten geschrieben hatten, tat genau das, was wir tun wollten. Und von hier aus können wir einfach an diesem Sie wissen, eine benutzerfreundlichere Art und Weise bilden . Wir können sogar Männer und Max herausziehen, wenn wir uns entscheiden. Aber jetzt, wie immer, schwächen Sortierung basierend auf diesem neuen Feld, um zu sagen, okay im Allgemeinen, Februar zumindest im Jahr 2016 war das Jahr mit der größten durchschnittlichen Temperaturausbreitung von etwas mehr als 18 Grad. Auren Dezember hatte die kleinste durchschnittliche Temperaturausbreitung von 13,36 So Art von interessant . bin mir nicht sicher, ob es hier einen großen Trend gibt. Sieht aus wie die Sommermonate wie Juni 10. Um ziemlich große Temperaturausbreitungen hier auf den kälteren Monaten zu zeigen neigen dazu, kleiner zu zeigen. Hallo, Februar sieht aus wie eine Ausnahme von dieser Regel. Ähm, jedenfalls, nur ein weiterer interessanter Blickwinkel, den wir nutzen können, um diese Wetterdaten zu analysieren. Also gibt es unseren Kickoff für die tägliche Wetter-Fallstudie. Geben Sie den Hausaufgaben eine Chance und lassen Sie mich wissen, wenn Sie Fragen haben 9. Spartan Race Facebook: Alles klar. Unser nächster Fall studiert ein Spaß, und es ist tatsächlich Blick auf spartanische Rennen Facebook Daten. In diesem Fall haben wir 393 Datenreihen, die tatsächlich zeigt spartanische Rennen Facebook-Beiträge von August bis Oktober 2016. Jetzt haben wir einige wirklich interessante Dimensionen, mit denen wir arbeiten können. Hier haben wir den Seitennamen, das ist Spartan-Rennen, das Datum der Post Kopie der Post, einen Link zu dem tatsächlichen Beitrag selbst. Welche Art von Post es war, ob es sich um ein Foto des Videostatus oder ein Ereignis handelte, die Stunde, in der der Beitrag gepostet wurde und die Tageszeit. Also Nachmittag, Abend , Morgen , etc. Und in Bezug auf Metriken haben Sie Ihre standardmäßigen Social Media-Interventionsmetriken wie Aktien, Reaktionen, Likes und Kommentare. Wir werden also ein paar verschiedene Konzepte in dieser Fallstudie behandeln. Wir werden eine schnelle Überprüfung der Anzeigewerte durchführen, wie mit Prozent der Spalte, wird in berechnete Felder gehen und dann einige Demos mit etwas fortgeschritteneren Berechnungen mit Zählspalten in den Rohdaten durchführen. Also lassen Sie uns voran zu Excel und tauchen direkt in bereits in der Pivot-Tabelle Fallstudie Arbeitsmappe , Gehen Sie voran und finden Sie die spartanische Rennen Facebook Post Tab. Und wenn eine dieser Metriken oder Zellen ausgewählt ist, drücken Sie einfach die Steuerungstaste. A. Um all diese Daten zu erfassen, fügen wir eine Pivot-Tabelle in ein neues Arbeitsblatt ein und lassen Sie uns es Spartan Pivot nennen Wenn Sie richtig sind, klicken Sie und ändern Sie einfach die Tab-Farbe in ein schönes hellgrün. Und jetzt, bevor wir eintauchen, lasst uns einfach so tun, als wären wir der Marketing-Analyst für Spartan Race, und wir wurden beauftragt, Spartan-Rennen, Facebook-Performance und Posting-Strategie besser zu verstehen . Nun, wenn das die Fallmetriken sind, die mir in Bezug auf KP-Augen wirklich wichtig sind, hier sind diese Interaktionsmetriken wie Aktien, Reaktionen, Reaktionen, Likes und Kommentare. Und da wir einige wirklich nette, interessante Dimensionen haben, mit denen wir arbeiten können, würde ich gerne wissen, wie sich diese Interaktionsmetriken oder Interaktionsraten je nach Postkopierer, Posttyp oder Wen Spartan Race-Posting unterscheiden bestimmte Dinge so hoffentlich kann ich Pivot-Tabellen und Pivot-Diagramme verwenden, um einige interessante Erkenntnisse aus seinen Daten zu extrahieren und diese verwenden, um Spartan Rennen zu helfen , seine Facebook-Strategie zu optimieren. Also damit, lassen Sie uns ziemlich hohes Niveau beginnen und einfach Konto der Sommerisierung verwenden, um ein Gefühl davon zu bekommen wie spartanische Rennen Beiträge neigen dazu, auf verschiedene Arten verteilt werden. Also, wenn ich nach Konto suche, kann ich jede dieser Dimensionen hier heranziehen. Lassen Sie uns zum Beispiel Post Copy verwenden , und wenn ich es in Werte ziehe, da es keine numerische Maßnahme ist, wird es standardmäßig sein, dessen Konto einfach die Rose zählt. Also 393 gibt es die Gesamtzahl der Zeilen in meinem Datensatz, was genau das ist, was ich will. Denken Sie daran, dass ich alles hier Datum der Post Seite ziehen könnte, und ich würde die gleiche Anzahl der Metrik bekommen, weil wir nur Rose hier zählen. Sehr einfach. Und jetzt, was ich mit dieser Zählung tun kann, ist, dann ein weiteres Feld in meine Straßenschilder zu ziehen, um diese Zählung zu brechen. Lassen Sie uns also mit Post-Typ Event Link Fotos, Status oder Video beginnen . Und das sagt mir, wie oft jede Art von Beiträgen in unserem Datensatz erschienen ist so dass wir diese absteigend nach der Zählung sortieren und sehen können, dass Videobeiträge am häufigsten waren . Es gab 195 video-spezifische Beiträge in diesem Beispiel, gefolgt von Foto bei 1 56 und dann wirklich nicht viele Link-Events oder Statusbeiträge überhaupt. Und eine Sache, die wir tun können, ist sehr einfach. Nur um diesen Trend ein wenig besser in einem Pivot-Chart zu visualisieren, werfen Sie hier auch etwas wie einen Kuchen oder Donut. Nur um diese Zahlen zu visualisieren, die wir in unserer Tabelle betrachten. Und ich werde nur diese Feldtasten loswerden und ich werde mit der rechten Maustaste auf Siri klicken. Ich möchte das Ganze etwas kleiner machen, ganz persönliche Vorlieben. Also für Sie, Ich habe den Titel dieser Anzahl von Beiträgen geändert. Da denken Sie daran, die Zählung zählt nur. Zeilen und Zeilen stellen einzelne Beiträge dar. Im Wesentlichen betrachten wir hier die Anzahl der Beiträge, die in jeden Bucket einer Zeile Labels fallen . So kann ich hier sehen, dass Video für nur etwa die Hälfte der Beiträge ausmacht, und Foto macht einen großen Prozentsatz, der wirklich nicht viele dieser anderen Post-Typen hier sind. Und jetzt, da ich dieses Donut-Diagramm an Ort und Stelle habe, kann ich einfach in verschiedenen Dimensionen tauschen, ohne mein Diagramm neu erstellen zu müssen. Also, zum Beispiel, ziehen wir post type out und ziehen Zeit des Tages in und wieder sortieren Sie diese absteigend nach der Zählung. Wenn wir das tun, können wir sehen, dass mehr als die Hälfte der Beiträge am Abend veröffentlicht wurde, gefolgt von später Nacht und dann Nachmittag. Und wirklich nicht viele Beiträge am Morgen überhaupt. Sie können sogar tiefer hinunterbohren, als dies Tageszeit dauern könnte, tatsächlich unsere Post machen und diejenigen nach der Zählung absteigend sortieren. Und hier können Sie sehen, dass 23 PM Art von frühen Nachmittag ist eine ziemlich häufige Zeit zu posten. Und dann weiß ich, dass es ein bisschen schwer zu lesen ist. Alle diese Etiketten würden eigentlich nicht empfehlen, Donuts oder Torten zu verwenden, wenn Sie diese Geldkürzungen Ihrer Daten haben . Aber Teoh illustriere nur, was ich meine. Sie haben sehr niedrige Lautstärkezeiten bei 2347 a. M, was durchaus sinnvoll ist. Also, jetzt, wo wir wissen, Art der Verteilung von Beiträgen, wir wissen, wann spartanische Rasse neigt dazu, am häufigsten zu posten, und welche Arten von Beiträgen neigen dazu, jetzt, als Analyst, die nächste Ebene der Einsicht, die ich brauche zu bekommen ist, wie die Interaktionsraten tatsächlich nach diesen verschiedenen Dimensionen zusammenbrechen. Also möchte ich wirklich mit dem Post-Typ beginnen. Also lasst uns weitermachen und unseren Posten hier rausziehen. Sie können unser Donut-Diagramm loswerden, und wir können einfach Post Typ zurück in unsere Rollenlabels ziehen Art von wo wir angefangen haben. Und jetzt, da wir anfangen wollen, auf die eigentliche Interaktion zu schauen, ziehen wir einige dieser Bereiche. Beide Aktien, Reaktionen, Likes und Kommentare. Sie werden feststellen, dass Aktien standardmäßig auf Konto gesetzt werden. Das liegt wahrscheinlich daran, dass mindestens eine leere Zeile in der Spalte vorhanden ist. Solange ich mir dessen bewusst bin, dass es keine große Sache ist, könnten wir einfach den Sommer-Iation-Modus auf ein paar ändern und dann Reaktionen, Likes und Kommentare alle auf einige ausgewertet. Also, die sind jetzt alle eingestellt. Lassen Sie uns einfach voran und ändern Sie das Zahlenformat, um dort ein Tausendertrennzeichen hinzuzufügen, wirklich, nur um es ein bisschen lesbarer zu machen. Sie müssen das nicht wirklich tun, aber ich mag es, alles konsistent und poliert so weit wie möglich zu halten. Also gehen wir jetzt hin. Das ist interessant. Ich habe eine Art dieser vier Komponentenmetriken, aber ich möchte wirklich, dass eine Metrik mir Gesamtinteraktionen gibt. Und da Likes eine Teilmenge von Reaktionen sind, gibt es hier wirklich nur drei Komponenten, die mich um Aktien, die Reaktionen und die Kommentare kümmern . Lassen Sie uns also in Werkzeuge gehen, Felder, Elemente und Sets erstellen ein berechnetes Feld namens Total Engagements. Und die Formel ist eine einfache wie nehmen die Aktien, plus die Reaktionen plus die Kommentare. Whoops, plus die Kommentare. Und da gehen wir. Wir sind gut zu gehen. Es gibt also totale Engagements. Und gleich neben dem Fledermaus, können wir sehen, dass Fotos oder zweite Zeile hier dazu neigen, eine Tonne von gesamten Engagements zu generieren, insbesondere viele Reaktionen und Likes Where Videos generieren auch eine Menge von insgesamt Engagements. Sie treiben mehr Aktien und Kommentare im Allgemeinen. So beginnen hier schon einige interessante Trends zu entstehen. Aber eine Sache, die man sich daran erinnern sollte, ist, dass es sich um ein reines Volumen handelt, das wir nach Summen suchen , und es wird über Beiträge aggregiert. Es ist also nicht wirklich ein fairer Vergleich, ohne die tatsächliche Anzahl der Beiträge zu berücksichtigen, die in jede Kategorie fallen, die hier und Spalte B erfasst wurden , also zum Beispiel, zum Beispiel, weil Link-Beiträge fuhr nur 9000 insgesamt Engagements. Es bedeutet nicht unbedingt, dass es niedrigere Darsteller als Fotos oder Videos, denn es gibt nur 31 Beiträge, die in diese Kategorie fielen, im Vergleich zu 156 für Foto auf 195 für Video. Also, was wäre ein angemessener mehr Äpfel zu Äpfeln? Messung der Leistung oder relativen Interaktion sind Interaktionen pro Post. Das bedeutet also, dass wir Buchhaltungsspalte benötigen, die wir in unserer berechneten Feldformel verwenden können . Da wir unsere Gesamtinteraktionsberechnung nicht durchführen und durch die Anzahl der Nachkopien dividieren können, wäre das genau das, was wir tun möchten. Aber leider sind wir auf Lee beschränkt, die Summe eines bestimmten Feldes zu verwenden, so dass wir nicht durch die Anzahl von irgendetwas anderem teilen können . Also haben wir das ein paar Mal praktiziert. Sollte mittlerweile eine zweite Natur werden. Wir können wieder in unsere Rohdaten springen. Fügen Sie hier einfach eine neue Spalte ein. Wir nennen es Anzahl der Beiträge. Da ihr Datum auf der Post-Ebene ist, sagte es gleich toe eins. Wenden Sie es nach unten. Stellen Sie einfach sicher, dass es den ganzen Weg nach unten ging. Süß und zurück zu unserem Dreh- und Erfrischung. Nun, eine Sache, die Sie anrufen müssen, werden Sie sehen, dass unsere Spalte für das gesamte Engagement kaputt ist. Es hat jetzt diesen Namensfehler. Manchmal passiert das. Manchmal ist es nicht, wenn es passiert, es bedeutet nur, dass es einen Referenzfehler ausgelöst wird, nachdem Sie einen Pivot aktualisiert haben, so dass wir in eine Gesamt-Engagement-Formel gehen und sehen können , dass es den Verweis auf diese Felder verloren hat, wahrscheinlich da diese Spalten verschoben wurden, als ich meine neue Anzahl der Post-Spalte in den Rohdaten hinzugefügt habe. Also keine große Sache. Wir können dieses Feld einfach wie zuvor neu definieren, als Aktien plus Reaktionen plus Kommentare. Also nur ein Kopf hoch. Manchmal passiert das. Andere Male tut es nicht. Ich bin mir nicht sicher, warum. Es passiert nur manchmal, aber es ist eine leicht genug Lösung zu machen. Also, jetzt, da wir unsere Anzahl der Beiträge Spalte hier haben, können wir das mit Count of Post Copy vergleichen und bestätigen, dass die einige uns die gleichen Werte wie die Zählung geben . Dieses Feld ist also das, das wir in unserer Berechnung verwenden können. Es kann die Anzahl der Post Copy herausziehen, und jetzt ist es Kopf zurück in den Feldern, Artikeln und Sets. Wir werden ein neues berechnetes Feld mit dem Namen Engagements pro Post erstellen, und das wird einfach dem gesamten Engagement Gefühl entsprechen, das wir berechnet hatten geteilt durch die neue Spalte, die wir gerade erstellt haben, genannt Anzahl der Beiträge und Presse. OK, es ist das Format in eine Zahl. Ich brauche hier keine Dezimalstellen und jetzt haben wir Engagements pro Beiträge, die die Anzahl der Beiträge beeinflussen, und es gibt uns die durchschnittliche Menge an Engagement für jeden dieser Buckets. Wenn wir jetzt nach diesen neuen Spalten-Engagements pro Post sortieren, haben wir eine Art genaueres , realistischeres Maß für das relative Engagement. Also für Foto-Posts, der durchschnittliche Beitrag erzeugt 945 Engagements Video auf Lee 7 34 und dann sehen wir tatsächlich die gleiche Art von Low Volumen Beiträge auch unterperformance in Bezug auf Engagements pro Post. Das ist also eine interessante Erkenntnis, weißt du, in einer Einsicht, die ich im Hinterkopf behalten könnte, was sehr sinnvoll ist. Und, wissen Sie, es hilft auch zu überprüfen, warum wir so viel Aufmerksamkeit auf Foto- und Videobeiträge zu sehen , weil, wie wir hier sehen können, dazu neigen, eine wesentlich höhere Menge an Engagement zu generieren als andere Beitrags-Typen. Ist es nicht. Wir können diese Analyse fortsetzen, indem wir vielleicht Post-Typ und Tageszeit herausziehen und Tageszeit nach Engagements pro Post sortieren. Jetzt sehen wir, dass Onley am Morgen etwa 16 Beiträge in der Probe hatte, unsere Post am Morgen. Aber unter diesen 16 waren die Engagements für Post wirklich, wirklich stark. 909, die höher ist als der Durchschnitt für Nachmittag, späte Nacht oder Abend. Wenn wir noch tiefer bohren wollen, schwächen, nehmen Post Kopie gezogen, dass in seiner sekundären Rolle Able Wechsler Design Bericht Layout Umriss Und jetzt können wir sehen, welche tatsächlichen Beiträge fuhr. Diese starke Leistung sind die 16 Beiträge, die in diesen Morgeneimer fielen. Und wenn wir diese auf der Post-Ebene sortieren, absteigend nach Engagements pro Post können wir jetzt das Recht sehen, meine Feldliste loszuwerden, nur um es ein wenig sichtbarer zu machen. Jetzt rangieren wir im Wesentlichen unsere Beiträge nach Engagements pro Post, was auf dieser Ebene genau das gleiche ist wie die gesamten Engagements, und wir können sehen, dass dieser eine Beitrag , der ein spartanischer Transformationsposten ist, wirklich übertraf gegenüber den anderen erfassten 2500 Engagements, was wirklich dazu beigetragen hat, den Gesamtdurchschnitt zur Tageszeit zu heben. So eine wirklich interessante Einsicht. Sobald Sie auf die tatsächliche Post-Ebene bohren und dann könnten Sie sogar zurück in Ihre Feldliste gehen , könnten Sie die Tageszeit ziehen. Jetzt betrachten wir alle einzelnen Beiträge in unserem Beispiel, sortiert nach Engagements pro Post, nur um zu sehen, welche Art von Floats bis ganz oben auf unserer Liste. Also haben wir diese Post Kopie, die besagt, dass wir nicht 100% positiv sind, dass er volle Push-up bla, bla, bla, bla. Wenn wir tatsächlich in Link als auch bringen, können wir tatsächlich diesen Link kopieren und ihn in einen Browser einfügen, um zu sehen, was Post es in diesem Fall war . Es war ein Eisbär, der Burpees machte. Da haben wir es. Das ist unser Anstoß zum spartanischen Rennen Facebook Data Fallstudie viele wirklich interessante Möglichkeiten, um in diese Daten zu graben, und wir haben wirklich erst begonnen, die Oberfläche hier zu kratzen. Also gehen Sie weiter, erkunden Sie diese Daten, spielen Sie damit, versuchen Sie die Hausaufgaben und geben Sie mir einen Schuss. Wenn Sie Fragen haben 10. Zusammenfassung und nächsten Schritte: In Ordnung. Herzlichen Glückwunsch. Du hast es bis zum Ende des Kurses geschafft. Schön gemacht. Ich hoffe, du hast ein paar neue Dinge gelernt. Ich hoffe, Sie haben einige Tipps und Tricks und Tools auf dem Weg abgeholt. Ich hatte eine Menge Spaß, das beizubringen. Ich hoffe, Sie haben das gleiche Gefühl, es zu lernen und wollen nur einige schnelle Ressource abdecken ist und die nächsten Schritte, um Ihnen zu helfen, zu entscheiden, wohin Sie von hier aus gehen. Also Nummer eins, wenn Sie ein absoluter Excel Rockstar werden möchten, empfehlen Sie, den vollständigen Analytics-Stack mit meinen anderen beiden Kursen abzuschließen. Erhalten Sie erweiterte Excel Formeln und -Funktionen. Ich habe Datenviz mit Excel Diagrammen und Diagrammen, beide eine wirklich gründliche, wirklich umfassende. Wenn Sie alle drei durchstehen können, dann sind Sie ein zertifizierter Excel Experte und Rockstar. Also sieh dir die als Nächstes an. Hier ist einige folgende Ressource ist, wenn Sie einige zusätzliche Support-Fragen benötigen. Die Unterstützung dot office dot com Website ist eigentlich wirklich hilfreich, vor allem mit den grundlegenden Sachen wie Formelsyntax. Sie können auch dorthin gehen, um Office 3 65 zu überprüfen, was ich sehr empfehlen. Grundsätzlich ist es ein abonnementbasierter Dienst etwa 15 Dollar pro Monat. Es gibt Ihnen Zugriff auf alle neuesten Büroprodukte in Echtzeit, wenn sie herauskommen . Also wieder, sehr empfehlen Office 3 65 Next up Stack Overflow ist eine wirklich hilfreiche Seite, wirklich großartige Form für fortgeschrittene Fragen oder projektspezifische Fragen. Und dann schließlich Power Query und Power bi I. Es ist ein Buch von Rob Kali. Sie können es auf Amazon kaufen, und für diejenigen unter Ihnen, die Power Query und Power Pivot Power Bi I nicht kennen, gibt es einige wirklich, wirklich leistungsfähige Tools und Funktionen, die Microsoft begonnen hat, in Excel zu integrieren , vor allem in den letzten Jahren. Und sie eröffneten eine völlig neue Welt von Datenmodellierungs- und Datenanalysefunktionen, die Sie mit herkömmlichen Zellformeln nicht tun können. Pivot-Tabellen. Wenn Sie also Ihre Analyse- und B-I-Fähigkeiten auf ein ganz anderes Niveau bringen möchten, schauen Sie sich dieses Buch an. Sieh mal, worum es geht. Sehr empfehlenswert, dort zu beginnen und dann last but not least, Sie wissen, dass die Bohrer-Bewertungen und Bewertungen sind, was Kurse wie diese am Leben hält. Also bitte, lassen Sie mich wissen, was Sie denken. Ich würde gerne von Ihnen hören. Last but not least, ein Finale. Riesig. Vielen Dank. Ihr seid die Besten. Vielen Dank, dass Sie sich für diesen Kurs entschieden haben. Danke, dass du es bis zum Ende durchgehalten hast. Wirklich? schätzen, dass ihr euch die Zeit nehmt, sollte stolz auf das sein, was ihr erreicht habt. Und ich hoffe, euch in der nächsten zu sehen.