Tabelas dinâmicas do Excel parte 3: estudos de caso do mundo real | Chris Dutton | Skillshare

Velocidade de reprodução


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

Tabelas dinâmicas do Excel parte 3: estudos de caso do mundo real

teacher avatar Chris Dutton, Founder, Excel Maven

Assista a este curso e milhares de outros

Tenha acesso ilimitado a todos os cursos
Oferecidos por líderes do setor e profissionais do mercado
Os temas incluem ilustração, design, fotografia e muito mais

Assista a este curso e milhares de outros

Tenha acesso ilimitado a todos os cursos
Oferecidos por líderes do setor e profissionais do mercado
Os temas incluem ilustração, design, fotografia e muito mais

Aulas neste curso

10 aulas (1 h 49 min)
    • 1. Expectativas S7L1

      1:45
    • 2. Elms nos EUA

      10:33
    • 3. Salários de de San Francisco

      13:06
    • 4. Registros de ataque no Shark

      10:31
    • 5. Dados de mercado de negócios

      12:25
    • 6. Estatísticas de basebol

      14:16
    • 7. Classificações de San Diego

      16:40
    • 8. Condições de tempo diário

      12:41
    • 9. Postagens de Spartan Race no

      14:37
    • 10. Envolvendo e próximos passos

      2:27
  • --
  • Nível iniciante
  • Nível intermediário
  • Nível avançado
  • Todos os níveis

Gerado pela comunidade

O nível é determinado pela opinião da maioria dos estudantes que avaliaram este curso. Mostramos a recomendação do professor até que sejam coletadas as respostas de pelo menos 5 estudantes.

556

Estudantes

--

Sobre este curso

Este curso é a parte 3 de uma série de três partes abordando a análise de dados com tabelas de dados de

As tabelas de grandes participantes Pivots permite que você possa explorar e analisar mais rapidamente dados cruas, revelar insights e tendências e de forte informação e de outra forma no ruído e fornecer soluções de

A parte 3 é a seção final do curso, onde vamos is tudo que aprendemos na parte 1 e parte 2 e se aplicamos em estudos de casos de novos e de alta avançados!

Vamos explorar e analisar os conjuntos de dados reais de vários estudos de caso, incluindo:

  • Demografia de voter nos voter
  • Salários de San
  • Registros de ataque em shk de 1900-2016
  • Desempenho de bolsas de estoque diário
  • Estatísticas de equipe de basebol
  • Avaliação de burro de de San Diego
  • Condições do tempo diário
  • Postagens de Spartan Race no Facebook

Requisitos: 

  • Microsoft Excel (2010, 2013, 2016), para PC
  • Os usuários para Mac são bem-vindas, mas a interface de tabela em as
  • Experiência básica com funcionalidade do Excel (gráficos e fórmulas uma vantagem!)

Conheça seu professor

Teacher Profile Image

Chris Dutton

Founder, Excel Maven

Professor

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.

Visualizar o perfil completo

Nota do curso

As expectativas foram atingidas?
    Superou!
  • 0%
  • Sim
  • 0%
  • Um pouco
  • 0%
  • Não
  • 0%
Arquivo de avaliações

Em outubro de 2018, atualizamos nosso sistema de avaliações para melhorar a forma como coletamos feedback. Abaixo estão as avaliações escritas antes dessa atualização.

Por que fazer parte da Skillshare?

Faça cursos premiados Skillshare Original

Cada curso possui cursos curtas e projetos práticos

Sua assinatura apoia os professores da Skillshare

Aprenda em qualquer lugar

Faça cursos em qualquer lugar com o aplicativo da Skillshare. Assista no avião, no metrô ou em qualquer lugar que funcione melhor para você, por streaming ou download.

Transcrições

1. Expectativas S7L1: Tudo bem. Parabéns e bem-vindos à seção final do curso de estudos de caso. E é aqui que vamos realmente começar a nos divertir um pouco. Esta seção é sobre levar as ferramentas que você aprendeu até este ponto e aplicá-las a diferentes conjuntos de dados e desafios analíticos. Então, até agora, temos nos concentrado exclusivamente em nossos dados do IMDB. Mas agora vamos mergulhar em um arquivo de estudos de caso de tabela dinâmica, que contém um monte de novos conjuntos de dados que vão cavar, desde o mercado de ações e dados de mídia social até registros de ataques de tubarões e até mesmo rankings de burritos . Mas antes de mergulharmos, vamos definir algumas expectativas. Número um. O objetivo destes estudos de caso é demonstrar como os conceitos abordados podem ser aplicados a uma gama de diferentes conjuntos de dados. Estas não se destinam a ser análises abrangentes, mas apenas pontos de partida para ajudá-lo a praticar o uso dessas ferramentas em contextos novos e diferentes . Número dois alguns dados podem ter sido alterados ou fabricados para facilitar as demonstrações, então a maioria dos dados que você vê é 100% real. Mas tenha em mente que algumas modificações foram feitas em certos casos especificamente para os fins deste curso. Assim, por exemplo, alguns campos podem ter sido limpos ou padronizados, ou alguns registros podem ter sido adicionados ou removidos. Toe ajuda a demonstrar certos conceitos e, finalmente , exercícios de lição de casa serão fornecidos após cada estudo de caso. Assim, os exercícios seguirão cada um dos meus casos, estudarão introduções e construirão sobre os conceitos específicos que abordo. Eu fornecerei respostas sempre que possível, mas se você precisar de apoio adicional, sinta-se livre para entrar em contato no fórum de discussão do curso ou enviando mensagens diretamente para mim. E com isso, vamos em frente e mergulhar. 2. Elms nos EUA: Tudo bem. Ele disse que o primeiro estudo de caso em que vamos mergulhar é para nós eleitores em 2012 agora, resumo rápido de conjuntos de dados. Trata-se de dados da população e do registro eleitoral de 2012 do Censos Departamento de Censosdos Estados Unidos, discriminados por estado e faixa etária. Assim, você pode ver a captura de tela do conjunto de dados aqui no lado direito do slide. E o que eu fiz aqui foi formatar os cabeçalhos das colunas para indicar o que estamos trabalhando em termos de dimensões ou medidas. Então, novamente, dimensões são seus campos categóricos. Medidas são seus campos numéricos ou quantitativos. Então, o N é igual a 2 55 apenas indica que estamos olhando para 255 registros ou linhas de dados neste caso, então um conjunto de dados bem pequeno para dar início às coisas. Como faras dimensões estão em causa. Temos que declarar e idade e colunas A e B e, em seguida, para medidas. Temos população total, população cidadã eleitores registrados e eleitores confirmados. E os conceitos que abordarão neste estudo de caso específico são campos calculados e configurações de valor, especificamente porcentagem de coluna e porcentagem de pai. Então, com isso, vamos saltar para o Excel e mergulhar. Certo, então vá em frente e abra a mesa dinâmica. Arquivo de estudos de caso e saltar para a primeira guia. Os eleitores dos EUA guia 2012. E daqui, podemos controlar A para selecionar Oliver Data. Vou inserir uma nova tabela dinâmica em uma nova planilha e antes de mergulharmos, vamos nomear o pivô de eleitor da folha. E eu realmente quero destacar esta aba apenas um tom claro de verde. Dessa forma, à medida que continuamos a trabalhar com os estudos de caso nesta pasta de trabalho, ficará claro quais guias são dados brutos e quais são pivôs. Então, agora, como analista, tendo em conta os dados que temos em mãos, algumas das perguntas que eu gostaria de explorar aqui são coisas como Como a participação eleitoral compara entre os estados é que certa faixa etária é mais ou menos provável para votar em geral. E essas tendências são verdadeiras em todo o país, ou há insights específicos do estado que podemos descobrir aqui? Então, como você sabe, essas são todas perguntas que tabelas dinâmicas fazem um excelente trabalho respondendo. Então vamos ver o que podemos fazer agora, imediatamente. Vamos cortar nossos dados por estado como subiu e extrair algumas das métricas que nos importamos. Por enquanto, vamos usar a população cidadã. Uma vez que só os cidadãos podem votar e os eleitores confirmados começam lá. Vou em frente e formatar ambos como números, com separador de milhares e sem pontos decimais. Lá vamos nós. E finalmente, vou classificar meus estados descendentes pela população cidadã. Então, como esperado, vemos grandes estados como Califórnia, Texas, Flórida e Nova York no topo da nossa lista. E, em seguida, no fundo, obviamente, são estados menos densamente povoados como os Dakotas no Alasca, Vermont e Wyoming. Então, sem surpresas daqui. Eu quero adicionar um campo calculado porque o que eu estou interessado em olhar não é apenas o número de cidadãos e o número de eleitores confirmados, que é interessante, mas não totalmente surpreendente. O que eu quero fazer é calcular um rácio para que ele possa ver fora da população cidadã . Que percentagem desses realmente se tornaram eleitores confirmados. Então ele vai para ferramentas em um novo campo calculado e nomear esta porcentagem da população eleitoral e novamente, isso vai apenas igualar a proporção de eleitores confirmados para a população cidadã pressione OK, vamos formatar isso como uma porcentagem com um ponto decimal, então já podemos ver uma história completamente nova começar a surgir aqui. E não estamos apenas vendo uma comparação estado por estado em termos do número total de eleitores, mas também tem uma proporção das populações elegíveis. Então, por que não vamos em frente e classificamos por nossa nova porcentagem métrica da população eleitoral para ter uma noção de onde vemos a maior parcela de eleitores? Então definitivamente algumas tendências interessantes aqui. Vemos o Distrito de Columbia ou D.C. D.C. no topo da lista, com uma porcentagem de população eleitoral de 76,1%. Isso faz sentido. Sabe, é a capital da nação, o coração político do país. Mas então você também tem estados como Mississippi em Wisconsin, que pode ser uma surpresa para alguns agora rolando para baixo no outro extremo do espectro, vemos West Virginia, Havaí, Oklahoma e Arkansas. Agora, este não é necessariamente o momento ou o lugar para aprofundar o porquê dessas tendências serem do jeito que são. Então o que realmente faz com que a população da Virgínia Ocidental seja menos propensos a se converter em eleitores em comparação com Massachusetts ou Colorado, por exemplo. Mas o que poderia ser um próximo passo realmente interessante seria obter alguns dados adicionais do EUA Censo dos EUAque você poderia ser capaz de vincular aqui. Então, talvez coisas como renda per capita ou nível educacional ou dados demográficos adicionais possam ajudar a fornecer algum contexto adicional e dar-lhe ferramentas para entender melhor o porquê ou as forças motrizes por trás dessas taxas de eleitores que estamos vendo aqui. Mas uma informação adicional que temos em mãos é a idade. Então, vamos em frente e tirar a idade da nossa lista de campos e adicionamos sua visão como rótulos de função secundários . E agora, à medida que olhamos através dessa visão, podemos ver algumas tendências adicionais começando a surgir. Então, por exemplo, em nossos principais estados, tendemos a ver taxas de população eleitoral realmente fortes entre as populações mais velhas, especialmente a faixa etária de 65 mais e, em geral, os grupos etários mais jovens tendem a mostrar taxas menores, mas ainda relativamente fortes. Então, 62% em D.C dentro da faixa de 18 a 24 anos pouco abaixo de 64% 18 a 24 no Mississippi e, em seguida rolando todo o caminho até o oposto sob o espectro. Uma coisa interessante de ver é que você ainda obtém taxas de eleitores relativamente fortes das populações mais velhas. Não é muito forte os estados de topo, mas ainda nos anos cinquenta e sessenta. Mas quando você começa a olhar para a demografia de idade mais jovem, os 18 a 20 quatros, que 25 a 30 quatros você vê taxas muito, muito mais baixas aqui em estados como Virgínia Ocidental, Havaí em Oklahoma. Então, por exemplo, daqueles de 18 a 24 anos na Virgínia Ocidental, você sabe que 100 62 mil cidadãos caíram nessa faixa etária, e apenas 37 mil se tornaram eleitores confirmados, que é uma taxa de 22. 8%. Caso semelhante no Havaí, 26.4 27.2 em Oklahoma, ainda menor no Arkansas. Então ainda muito direcional neste ponto, mas uma visão realmente interessante, no entanto. Agora, a próxima coisa que eu gostaria de explorar um pouco mais aqui para começar as coisas fora é a composição da população eleitoral, e para fazer isso, eu quero usar alguns de nossos valores de show como cálculos. Então, por que não começamos com apenas um grupo envelhecido para começar com o estado completo para fora dos filtros? Que estou apenas olhando meus dados organizados por esses cinco grupos etários daqui? Se estamos interessados em olhar para a distribuição da população eleitoral especificamente, vamos apenas pegar uma segunda instância de eleitores confirmados aqui na coluna D. E agora, em vez de apenas mostrar estes sem cálculo, vamos mostrá-los como uma porcentagem do total da coluna. Agora, o que isso me diz é que entre todos os eleitores confirmados neste conjunto de dados possuem o ano 2012. Sei que a maior parte desses eleitores se enquadra na faixa de 45 a 64, seguida da faixa de 65 mais em 22%. E do outro lado, você tem sua menor proporção, ou parte de eleitores, que caem em 18 a 24. Assim, os eleitores mais jovens representam apenas 8,54% do número total de eleitores confirmados todo o país. Agora é arrastar o estado de volta como seus rótulos de função principal, e ver como essas tendências olham para um nível mais granular. Então, neste caso agora, vez de formatá-los como uma porcentagem da coluna como um todo, que é meio difícil de ler, já que as porcentagens ficam muito, muito pequenas aqui, eu vou mudar esse cálculo 2% do pai e definir o estado como meu pai. E agora temos um conjunto totalmente novo de insights ao nosso alcance para que possamos perfurar estado por estado e ver como essas proporções por faixa etária diferem de lugar para lugar. Então D.C , por exemplo, é uma história interessante. Apenas que a maior parte de eleitores confirmados dentro de D.C realmente vêm do balde 25 para 34, enquanto a maioria dos outros estados, como Mississippi, Wisconsin, Minnesota, mostram a maior parcela de eleitores vindo do 45 para 64 balde. Então, por qualquer motivo, a população eleitoral inclina-se um pouco mais jovem em D.C do que em muitos desses outros estados e, em seguida, rolando para baixo. Outra visão interessante a ver aqui é que, para esses estados de baixa população eleitoral, como Oklahoma, Havaí e Virgínia Ocidental, porque pequenas, essas proporções são particularmente para a faixa etária mais jovem de 18 a 24 anos. Assim, menos de 5% dos eleitores no Havaí caíram no balde de 18 a 24, e apenas 6% em Oklahoma caíram nesse intervalo. Então, por qualquer razão, as populações mais jovens nesses estados realmente não parecem muito inclinadas a sair e votar. Então definitivamente outra história interessante, realmente começando a arranhar a superfície em alguns dos ângulos interessantes que podemos tomar com este conjunto de dados. Então esse é o nosso pontapé inicial para o estudo de caso dos eleitores dos EUA. EUA Vá em frente e dê os exercícios de lição de casa na próxima foto do palestrante e veja o que mais você pode descobrir. 3. Salários de de San Francisco: exceto que temos nosso estudo de caso de salário de São Francisco Resumo rápido do conjunto de dados. Estamos olhando para informações salariais de funcionários do governo de São Francisco entre os anos de 2011 e 2013. Então, pouco mais de 24.000 linhas ou registros de dados aqui, incluindo um número de diferentes dimensões e medidas no lado da dimensão, temos o nome de funcionários por ano, seu funcionário I d e seu cargo. E para medidas que temos baseado pagamento, pagamento horas extras e outro pagamento. Assim, os conceitos que abordarão neste estudo de caso específico são classificar e filtrar, agrupar campos calculados e layouts de tabela. Então, vamos entrar. Tudo bem, então na sua tabela dinâmica de estudo de caso, vá em frente e salte para a guia de salários de São Francisco. Vamos controlar A para pegar todos os dados. Vamos inserir uma nova tabela dinâmica em uma nova planilha. Vamos mudar o nome do pivô de salário da folha e assinar uma cor de aba verde claro novamente apenas para diferenciar entre os dados brutos e os toques dinâmicos. Então, primeiro as coisas, vamos puxar um nome de funcionário apenas para que nós estamos olhando para os dados no nível de funcionário para começar e eu posso marcar as caixas para trazer em todas as nossas medidas de pagamento baseado, pagamento horas extras e outros salários, e Eu vou entrar e formatar todos os três campos têm moeda, e eu realmente não preciso de pontos decimais aqui, então aqui vamos nós. Tudo bem, agora estamos formatados. Eu também quero inserir um novo campos calculados que apenas chamará de pagamento total, porque eu quero ver a soma de todos os três dessas medidas o pagamento base, mais qualquer pagamento ao longo do tempo que alguém ganhou mais qualquer outro pagamento também. Então lá vai você Pagamento total, base Eagles mais horas extras, mais outros. E agora vou abordar isso de forma imparcial e começar a explorar um pouco a data e ver o que encontro. Então, como uma primeira passagem, você sabe, talvez nós apenas classificamos os nomes de nossos funcionários decrescendo pelo novo campo de pagamento total que acabamos criar. Queremos ver quem foi o maior ganhador durante todo este período de três anos. Então Judy Melnick ganhou 553 K em salário total durante este período. Mike Dreiling ganhou 460 e então e agora, em vez de olhar para a amostra geral, eu quero ver os melhores ganhadores para apenas um determinado ano. Então traga ano para a minha caixa de filtros, digamos, apenas para 2013 que estavam no máximo. Então Gary Altenburg, por exemplo, teve um grande ano em 2013 aqui com um salário total de pouco menos de 363.000. Mas o que é interessante sobre Gary é que ele ganhou 100 29.000 salário base e, em seguida outros 221.000 a partir do tempo, que é enorme quantidade de pagamento de horas extras, especialmente comparado com alguns desses outros funcionários que não ganharam nada em horas extras como Amy Heart, por exemplo, ou Sharon ou James Dudley. Então essa é uma tendência interessante. E isso é algo que, como analista, estou interessado em mergulhar um pouco mais fundo, então o que podemos fazer é pegar o cargo de trabalho e puxar isso para ter uma noção do que Gary e Amy realmente fazem. E quando fazemos isso, vemos que Gary é um tenente. Parece o Corpo de Bombeiros, enquanto que Amy é uma espécie de chefe de departamento. Você sabe quando eu suponho que isso faz sentido se os bombeiros tendem a ganhar mais horas extras só por causa da natureza de seu trabalho, você sabe, adicionar por isso uma visão tão interessante lá. Agora, se retirarmos o cargo, podemos continuar explorando essa tendência de pagamento de horas extras usando outro campo calculado. Então o que eu quero fazer agora é, em vez de apenas olhar para o volume de horas extras em termos de número de dólares, eu quero olhar para a taxa tão ao longo do tempo porcentagem, que poderia ser calculado apenas como horas extras pagam fora do total. E isso me dará um tipo diferente de lente para examinar meus dados. E vamos apenas fazer uma porcentagem com o ponto decimal e agora o que este novo campo me permite fazer. É classificar meus funcionários descendo por essa porcentagem de horas extras e ver tipo de quem está ganhando o maior pedaço de seu salário de ao longo do tempo versus pagamento base ou outro salário. E neste caso, Janey Jennings está no topo da lista. 82,2% do seu salário foi categorizado como horas extras, então 33.000 de $40.358. Mas há um monte de barulho aqui nesta lista. Eu tenho alguns funcionários que estão ganhando apenas alguns 100 ou alguns US $1000, o que significa que provavelmente há funcionários em tempo parcial ou contrato para que possamos aprofundar nossas opções de classificação e filtragem . E o que eu faria neste caso é aplicar o filtro de valor maior do que e dizer OK, pagamento total precisa ser maior do que 50.000 Imprensa. OK, isso eliminará um pouco de barulho e me dará mais maçãs para maçãs comparação dos empregados que estou olhando agora. Assim que fizermos isso agora, Kimberly King Stitt está no topo da lista. Ela ganhou 63% do seu salário ao longo do tempo, e há um bom amigo, Gary, no número dois da lista. Então, obviamente, neste ponto, você sabe, o número de caminhos diferentes que poderíamos tomar com esta análise é praticamente infinito. Mesmo apenas o número de maneiras que podemos filtrar e classificar esta lista de funcionários são essencialmente infinitas. Então, por exemplo, se quiséssemos ir ao Onley. Olhe para os empregados cujo nome começa com Steve. Podemos usar um filtro de etiquetas para fazer isso para que o filtro de etiquetas comece com Steve. Agora só estamos olhando para o Steve em nosso conjunto de dados, mas você deve notar que agora meu filtro de valor de $50.000 foi escrito demais. Então eu tenho algumas pessoas aqui que ganharam 14.000. Você sabe, nossos 5000 e novamente, isso é como falamos anteriormente no curso, porque por padrão, as opções de tabela dinâmica só permitem que você tenha um conjunto de filtros aplicado para chamá-lo. Eu posso mudar isso em minhas ferramentas, indo para totais de opções e filtros. Permitir vários filtros por campo pressione OK, e agora ainda temos nosso filtro de rótulo Steve. Então vamos em frente e reaplicar o filtro de valor maior que e dizer que o total paga mais 50.000 novamente. Certo, e agora temos os dois filtros aplicados. Estamos olhando para o pagamento total de Onley maior que 50 e em nomes Lee que começam com Steve. Ambas as marcas de seleção indicam que ambos os valores foram aplicados. Então, neste momento, eu realmente não me importo com funcionários apenas chamados Steve, então eu vou limpar todos esses filtros do nome do funcionário. E vamos olhar para os dados um pouco de um nível mais alto. Então tire o nome do empregado. Vamos agregar coisas por cargo. Então uma coisa que é interessante aqui é que quando você olha para uma métrica como pagamento baseado, você sabe, é tentador olhar para isso e dizer, oh, oh, uau! Os contabilistas ganham muito mais dinheiro do que os contabilistas, por exemplo. Mas antes de fazer isso, você realmente precisa pensar sobre o que você está olhando aqui. E neste caso, esta coluna Alguns de pagamento base é uma coluna que resumir ou adicionar a base paga de todos os funcionários no conjunto de dados que cai em cada um desses períodos. Então minha hipótese seria que há muito mais funcionários que estão sendo rotulados como escritores de contas do que contadores, é por isso que vemos um pagamento base de $974.000 para funcionários de contas e apenas 65.000 para contadores. E podemos verificar isso apenas arrastando o nome do funcionário como rótulos de função secundária aqui em nossa visão. E é exatamente isso que está acontecendo aqui. Então temos uns 23 empregados com um emprego, cargo de funcionário da conta. E temos Onley um contador, Carlito. Então este número 973 está adicionando todos os salários individuais de cada um desses 23 funcionários, então retire os funcionários. E se quisermos ter um melhor senso de maçãs para maçãs ganhos por título de trabalho, o que eu acho que é uma coisa interessante, Teoh, olhe aqui. O que eu posso fazer é mudar o modo de verão de alguma média do dedo do pé. Então, em vez de editar este, eu vou puxar em uma segunda instância de ritmo base que podemos comparar. E este é o que mudará a classificação de verão para uma média e formatado como moeda . Então agora ele está tomando a média de todos os 23 salários desses empregados e equiparando isso a 42.000 que na verdade é significativamente menor do que o salário médio contador de 65.392. Uma espécie de esclarecimento sutil, mas realmente importante, para fazer você saber, enquanto você está interpretando números e uma tabela dinâmica a partir daí. Agora que temos nosso campo médio no lugar, podemos classificar nossos títulos decrescentes por essa média de pagamento base. E agora temos uma lista mais limpa e precisa para fazer essas comparações. Vemos títulos como Chefe de Departamento, legista adjunto no topo da lista. E então, como ele rolou para baixo, você começa a ver mais títulos como secretário-geral, operário, funcionário de inventário, caixa no DSO sobre ele assim por diante. Então, já, algum tipo interessante de descobertas e insights borbulhando em seguida. O que eu quero fazer é agrupar alguns desses títulos, já que existem algumas áreas de sobreposição. Então eu vou classificar alfabeticamente tipo de rolagem através de ver tipo de que esses títulos de trabalho ar vindo através de nós. E você provavelmente notará que há um monte de variações de tipos semelhantes de cargos , então parece que há pelo menos 10 vagas de aeroporto com títulos ligeiramente diferentes. Então, o que eu quero fazer neste caso é criar agrupamentos que enrolam os títulos de trabalho para um nível ligeiramente mais alto. Chame de categoria de trabalho em oposição ao título do cargo. Então, para dar um exemplo, por que não começamos com alguns deles no topo da lista podem ir através de títulos relacionados a contadores , clique com o botão direito do mouse agrupar aqueles juntos e, em vez de Grupo 1, chamá-lo de contabilidade. Se você se lembrar por padrão. Essa tabela dinâmica é configurada como uma exibição compacta, que significa que o meu campo de título e o novo campo de grupo que criei são todos aninhados na mesma coluna. Não quero que seja esse o caso. Quero ser capaz de lidar com ambos os campos separadamente. Então, eu estou indo para as minhas opções de design de ferramentas formulário delineado. E isso só destrói esses dois campos. Agora ele pode editar de forma independente meu trabalho original, campo de título e meu novo campo de grupo. Então, em vez de trabalho Título 2, vamos chamar essa categoria de trabalho. Agora podemos continuar o processo como fez com os títulos contábeis. Sabe, talvez eu queira que os administradores juntos e clique com o botão direito do mouse agrupe aqueles em vez do Grupo 2. Chame de administrador, e então vamos fazer mais um com esses trabalhos no aeroporto. Eu tenho algo como 12 títulos diferentes relacionados ao aeroporto aqui. Vamos agrupá-los e chamá-lo de Aeroporto. Lá vamos nós e agora desde que eu mudei o modo de contorno. Se eu quiser rolar para cima por nível de categoria agora, eu poderia apenas puxar o cargo para fora e organizar os dados pelo novo campo que eu acabei criar. Então adicione os homens como um todo, que incluem aqueles que acreditam que quatro rolos ou títulos de emprego que caem dentro dele, você sabe, geraram um salário total baseado de 2.273 milhões e uma média de 71.000. Agora, esta abordagem manual para o agrupamento funciona muito bem. Mas como uma nota lateral para aqueles que estão interessados, uma solução mais elegante e eficiente para fazer isso seria realmente criar uma tabela de pesquisa separada que corresponda todos esses títulos de emprego a categorias específicas. E então, a partir daí, usando as funções de pesquisa ou ferramentas de modelagem de dados para realmente integrar essas categorias de trabalho como um novo campo nos próprios dados brutos. E isso me salvaria do problema de rolar manualmente e agrupar valores no pivô. Mas esse é um tópico para outro dia e outro curso. Então, aí está. Esse é o nosso ponto de partida para explorar os dados salariais de São Francisco. Vá em frente e brinque com ele. Fazer algumas explorações, dar a lição de casa de tiro e me dar um grito se você tiver alguma dúvida. 4. Registros de ataque no Shark: Tudo bem. Nosso próximo estudo de caso é muito divertido. É o meu favorito de todos os tempos para este. Na verdade, vamos olhar para registros de ataques de tubarões registrados entre 1.902.016. Então você tem pouco menos de 5300 registros ou observações em nosso conjunto de dados. E o que é um pouco único sobre este conjunto de dados é que ele realmente não contém quaisquer medidas. Portanto, não há novas variáveis milagrosas ou campos quantitativos. São todas as dimensões. E isso é relativamente comum quando se trata de coisas como manutenção de registros, porque o que é mais relevante é a informação contida nesses registros em vez qualquer tipo de campo quantitativo. Temos uma tonelada de dimensões realmente fascinantes, começando com o número do caso e a data em que o ataque ocorreu. Podemos cortar os dados pelo tipo de ataque, seja provocado ou não provocado, onde ocorreu em termos de área do país e localização específica. Em que atividade a vítima estava envolvida quando foi atacada, seu nome, seu sexo, sua idade, que tipo de lesão foi sofrida, seja fatal, sim ou não. Mesmo como esta espécie do tubarão e do investigador e de onde veio a fonte, tudo isto está incluído nos registos de ataques de tubarões que temos à mão. Mesmo como esta espécie do tubarão e do investigador e de onde veio a fonte, Então, realmente, muito rico conjunto de dados para usar para todos os tipos de diferentes tipos de análises. Neste caso, vamos fazer o pontapé rápido e alguns dos conceitos que cobrirão nossas configurações de valor de agrupamento de datas e gráficos dinâmicos. Então vamos entrar. Tudo bem, vá em frente e vá para a guia Shark Attack Records no nosso livro de estudo de caso da tabela dinâmica. E ele ia controlar um para pegar todos os dados e inserir um pivô em uma nova planilha. Vamos dar um nome a este pivô de tubarão e formatar essa aba com um Phil verde e meu Deus, onde começamos com um conjunto de dados como este? Há tantos ângulos legais que podemos tomar. Mas no final do dia, em geral, geral, o que estamos tentando entender é o número de registros ou contagem de ataques quebrados todos os tipos de maneiras interessantes, você sabe, talvez por data, por localização, por atividade de gênero, realmente um monte de opções disponíveis para nós aqui. E como meus dados brutos estão no nível de caso, significando uma linha por ataque registrado, isso deve ser relativamente simples de fazer. Eu estou então é arrastar o número do caso aqui para a nossa caixa de valores. Como você pode ver, o padrão é contar porque realmente não é um campo numérico ou uma medida. E neste caso, a contagem é exatamente o que eu quero. Agora, ele me diz que surgiram 5292 registros no meu conjunto de dados, que eu pulei de volta para a minha folha de dados real. Posso confirmar alinhamentos com o número de linhas, então é exatamente isso que eu quero. E agora é uma função de quebrar essa contagem e cortá-la e cortá-la de maneiras diferentes . Então, por que não começamos com “Trending “, “Dragão de Campo “e duas fileiras? Como podem ver, é agrupamento automático, que está tudo bem, vou retirar moedas e namorar só para que eu esteja olhando para os ataques por ano. Então, como os dados são um pouco funky no início do século, eu gostaria de limitar essa visão a um corte mais moderno dos dados. Então o que eu vou fazer aqui é selecionar os últimos 12 anos ou mais. Então 53 4016 e, em seguida, apenas clique direito filtro manter apenas itens selecionados. E lá vai você. Tenho uma contagem de 12 anos de ataques de tubarões por ano. Então 102 ataques em 2503 em 2006. Agora o que eu quero fazer é realmente apenas puxar em mais algumas instâncias deste campo de contagem de número de caso para que possamos mostrar esses valores de maneiras diferentes. Uma segunda coluna, você sabe, talvez queira mostrar isso como o percentual do total da coluna, que agora me diz que você sabe que os 139 ataques em 2015 constituíram a maior parte nesta amostra de 12 anos, representando pouco mais de 10% do imposto registrado. Você sabe este terceiro exemplo, eu poderia mostrar que como um total de corrida com anos como meu campo base, então eu posso ver como o total de ataques cresceu a partir de 2005 adicionando todo o caminho até 1387 ataques totais até o ano 2016, então apenas diferente maneiras de olhar para esses dados. Eu entendo como as tendências são olhadas ao longo do tempo, então isso é interessante o suficiente. O que está tirando anos agora. Mas preserva essa visão de 12 anos, e agora queremos cortar os dados de uma maneira diferente, então eu acho que vou começar com gênero. Eu quero ver se há diferenças notáveis feminino versus masculino, e você verá que minha terceira coluna, que está mostrando valores como um total corrente, não é mais válida, já que este campo base de anos não existe mais em meu ponto de vista, para que eu possa ir em frente. Apenas puxe isso para fora. E essa visão é interessante. O que me diz é que é uma má notícia ser um cara no que diz respeito aos ataques de tubarões. Eu não diria que eles estão sendo atacados por tubarões porque seu correio, é mais provável por causa das atividades em que eles estão envolvidos, mas bastante fascinante. Nesta janela de 12 anos, 83% dos ataques foram contra homens e pouco menos de 17 em mulheres, então uma espécie de pepita legal lá, e nós poderíamos ir ainda mais fundo, sexo completo e realmente olhar para os ataques por idade agora rolando por aqui. Uma coisa que notei no final é que há um balde desconhecido com uma tonelada de observações , ar, apenas ataques ou casos em que uma idade não foi fornecida ou não foi registrada. Então eu não quero esse campo. Eu posso ir em frente e apenas de selecionar desconhecido para que eu só estou olhando para idades conhecidas. E este é um grande candidato para visualização, particularmente para um hist um gráfico de estilo grama, que pode realmente mostrar a freqüência de ataques por idade e nos permitir entender quais idades tendem a ser mais frequentemente envolvidos no tubarão ataques. Então, vou simplificar um pouco essa visão e retirar o percentual do cálculo total da coluna que estou apenas olhando para a contagem do número do caso, bucket e por idade. Agora, com qualquer uma dessas células selecionadas indo para o meu gráfico dinâmico de ferramentas, e esta coluna agrupada nos dará um realmente agradável sibilado um efeito grama pode ir para analisar e se livrar desses botões de campo aqui. Mas dê uma olhada nessa visualização muito, muito clara e poderosa que me mostra exatamente onde as maiores freqüências de ataques ocorrem em termos de faixas etárias. Então, neste caso, bem claro que a partir dos 15 anos ou mais, frequência de ataques é muito maior e até cerca de 22 anos ou mais. E então ele começa a descer e depois rastejar um pouco quando as pessoas atingem seus cinquenta e sessenta anos. Então, novamente, isso não necessariamente aborda a causa. Sabe, por que esse é o caso? Mas algumas hipóteses que podemos começar a lançar lá fora são que os mais jovens são mais propensos a se engajar em atividades onde há simplesmente mais propensos a serem atacados por um tubarão , como surf ou corpo, embarque ou natação ou o que quer que seja. Mas essa é uma visão muito interessante aqui. E se quisermos manter isso, uma opção seria copiar esse pivô e criar uma nova versão em outro lugar na planilha ou em uma planilha diferente. Neste caso, na verdade, vou largar este gráfico e continuar a explorar estes dados. Então vamos apagar isso. E agora, em vez de idade, estou interessado nesse campo de atividades. Quero ver o que as pessoas estavam fazendo quando foram atacadas, tipo que atividades levaram a mais ataques na amostra. Vou puxar atividade é o meu rótulo. Vou ordenar estes envios pelo número do caso de contagem. Então, nada realmente surpreendente aqui. É o que se espera. Muitos ataques aconteceram enquanto as pessoas estavam surfando ou nadando ou caçando submarina. Se quiséssemos perfurar uma camada mais profunda, também poderíamos puxar este campo fatal sim, não, que é um filtro binário. É preciso um valor de saber se o ataque não foi fatal. Sim, se foi assim, podemos ver se há alguma diferença entre, você sabe, você sabe, ataques fatais normalmente ocorrendo quando as pessoas estão nadando ou surfando contra o tipo não-fatal da mesma história aqui. Nada realmente inovador lá, mas apenas maneiras diferentes de cortar e cortar esses dados, usando as dimensões em mãos. Agora, uma última coisa a chamar aqui é que, se não filtrarmos a coluna do ano, vocês notarão que esta coluna fica esticada para fora. Torna-se realmente irritante trabalhar com. Estou de modo a corrigir que você pode clicar com o botão direito alterar a coluna com volta para 20 ou mais para que ele está volta à vista, e a razão que ele está fazendo isso é porque há certas atividades aqui que têm muito , muito longo cordas e se destaca tentando auto ajuste para chamá-los com de modo que nenhuma dessas cordas estão sendo cortadas. Mas o problema é que toda vez que você faz algum ajuste em seu pivô, ele vai se ajustar automaticamente de novo e de novo. E você tem que continuar mudando a coluna com mais e mais. Então, para corrigir isso, eu vou acontecer de girar ferramentas de mesa, opções e apenas diesel ECT. Auto FIT COLUMN Wits na imprensa de atualização. OK, e agora quando você fizer qualquer ajuste em seu pivô, esta coluna a permanecerá da mesma largura que está atualmente e não se estenderá toda vez você fizer uma alteração, de modo que eu recomendo que você explore esses dados um pouco um pouco mais profundo por conta própria. Há alguns discos incríveis aqui. Eu realmente apenas comecei a arranhar a superfície deste conjunto de dados. Meu favorito até agora, se eu retirar a atividade e cair no nome é ah, homem com o nome de Cosimo Pechiney, que é um caso interessante porque a julgar pela atividade registrada, Meu favorito até agora, se eu retirar a atividade e cair no nome é ah, homem com o nome de Cosimo Pechiney, que é um caso interessante porque a julgar pela atividade registrada, Ele atacou um tubarão com os punhos. Mas não se preocupe. De alguma forma escapou com apenas um braço lacerado. nota, essanota, esse é o seu interesse no nosso estudo de caso de ataque de tubarão. 5. Dados de mercado de negócios: Tudo bem. Nosso próximo estudo de caso está usando dados do mercado de ações, e temos um conjunto de dados bastante simples para trabalhar aqui. É uma amostra de três meses de dados do mercado de ações para cerca de 500 diferentes empresas de capital aberto e olhando para a tela para a direita aqui. Temos 29.440 observações com apenas algumas dimensões e medidas simples. Então, as únicas dimensões que funcionarão aqui são data e símbolo e, em seguida, para medidas, medidas mercado de ações financeiras bastante padrão. Temos os preços de abertura altos e baixos preços para o dia. O preço de fechamento e o volume de negociação e os conceitos que abordarão neste pontapé incluem alguma filtragem básica de classificação realmente focam na formatação condicional aqui para realmente usar visualizações para contar uma história. Praticará destaques. As regras de célula farão algumas demonstrações realmente legais com barras de dados, e eles vão acabar com algumas configurações de valor como diferença percentual a partir do qual é uma ótima ferramenta para mostrar ganhos e perdas dia sobre dia. De uma forma muito clara. Muito direto, bem rápido. Vamos em frente e pular já. Então, com sua tabela dinâmica estudo de caso Pasta de trabalho aberta. Vá em frente e navegue até a guia de dados do mercado de ações. E antes de criar uma tabela dinâmica, apenas uma nota lateral é que esta é uma extração de dados bastante padrão. E é de dia, que significa que este é um bom candidato para análise que eu poderia revisitar uma e outra vez e talvez empilhar mais dados como um coletar mais dados no futuro. Então, já que esse é o caso, pode não fazer sentido selecionar todo o conjunto de dados em Lee até a Estrada 29 4 41 porque isso significa que se eu adicionar ou empilhar novos dados abaixo, isso teria que ir para minhas ferramentas de tabela dinâmica, alterar a fonte de dados, estender a linha, fazer referência a qualquer caminho que eu adicionei dados. Então, , falamos sobre duas maneiras de lidar com dados que potencialmente poderiam crescer ao longo do tempo, uma delas é selecionar os cabeçalhos de coluna inteiros. Então, agora essa referência de tabela dinâmica não tem referências de linha. Ele se estende abaixo da última linha de dados. Dessa forma, adicionamos novos dados. Tudo o que precisamos fazer é simplesmente atualizar o pivô e as segundas abordagens para converter esse intervalo em uma tabela porque um bom recurso das tabelas é que elas podem absorver novos dados à medida que são adicionados abaixo do seu intervalo de dados existente. Então, neste caso, vamos seguir em frente e tomar a última abordagem. Tudo o que eu preciso fazer selecionar qualquer campo ou qualquer célula dentro do meu intervalo vai inserir tabela. Você pode ver que ele selecionou todo o intervalo contíguo contendo dados através da estrada 29 4 41 E sim, meus dados têm cabeçalhos em fileiras. Essa caixa deve ser marcada. Pressione, ok. E lá vai você. Agora, se você quiser formatar sua tabela, você pode fazer isso aqui nos estilos de tabela. Mas estes são os meus dados brutos. Realmente não se importa muito com o que parece. Mas agora, se eu adicionar mais dados mais tarde, será muito, muito mais fácil de acomodar. Então, com isso, vamos voltar na inserção drop em uma tabela dinâmica em uma nova planilha, e podemos nomear esse pivô de ações. Lá vamos nós. E vamos formatar essa aba com uma sombra verde clara. E agora meu objetivo aqui, em geral, é analisar tendências para que a primeira coisa que posso fazer é ir em frente e pegar data, colocá-la em meus rótulos de papel. É auto agrupado. Então, com o campo de data selecionado, eu realmente não quero um mês aqui. Eu só quero preservar as tendências de nível diário para que eu possa entrar em minhas ferramentas analisadas e apenas pressionar no grupo, e isso irá reverter para o formato original desse campo, que neste caso, é o que eu quero. Vamos em frente e arrastar símbolo em nossa caixa de filtros, uma vez que eventualmente vai querer mergulhar em desempenho para empresas individuais. E então vamos arrastar todos os nossos campos para a nossa caixa de valores. Aberto, alto, baixo, fechar e volume. Então, normalmente, quando você está iniciando um novo pivô, você precisará passar por uma rodada de formatação. Estou tão bem, vamos em frente e fazer isso agora mesmo. Uniforme em todas estas 1ª 45 colunas como moeda eso preço aberto, preço alto, preço baixo e fechamento. Todos eles serão formatados, o mesmo que moeda sem pontos decimais. Então lá vamos nós e, em seguida, volume não é volumes de moeda. Apenas a quantidade de negociação ocorrendo formato este é um número com separador de milhares e sem decimais. Ok, então isso é um pouco mais claro. Vamos também praticar nossos cabeçalhos de coluna personalizados. Então, se você quiser se livrar deles, alguns dos rótulos podem mudar isso aqui mesmo na barra de fórmulas. E em vez de apenas abrir, que já é um nome de sensação, vou usar meu truque espacial e formatar dessa forma. Então, a mesma coisa com alto lo perto e volume. Isto só torna a minha mesa um pouco mais legível. E também para ajudar. Eu posso pegar todas essas colunas indo para casa e apenas centralizar o alinhamento lá. Então, novamente, apenas um pequeno truque de legibilidade aqui e tenha em mente que ainda estamos olhando para a agregação ou o filho de preços e volume em todos os símbolos em nosso conjunto de dados, o que, neste caso, realmente não ajuda muito. Então, em vez disso, por que aprofundamos em um símbolo especificamente e você pode escolher qualquer um? Mas eu vou começar com um pl ou maçã e agora isso faz um pouco mais de sentido. Estamos olhando para o preço real da Apple Stock dia após dia, bem como o volume de negociação Então agora eu tenho todas as informações brutas que eu preciso entender o desempenho das ações da Apple ao longo desta amostra de três anos. Mas há definitivamente algum trabalho que enfraquece devido a adicionar alguma visualização e realmente ajudar as percepções a brilhar. Então, por que não começamos enfatizando os ganhos ou perdas do dia sobre o dia? E para fazer isso, eu realmente vou me concentrar nesta coluna próxima, e o que eu quero fazer é puxar em uma segunda instância de roupas. Mas para este, em vez de mostrar-lhes nenhum cálculo, ID gostaria de mostrar esta coluna como a diferença percentual das datas anteriores na minha base fielded, item baseado em estado é anterior e pressione OK, Então isso me diz como esse preço fechado tem tendência dia após dia. Neste caso. Em 24 de agosto, caiu pouco menos de centenas de pontos percentuais em comparação com o dia 21 e a razão pela qual eles estão faltando datas porque o mercado está fechado nos fins de semana. Então, o dia 21 foi uma sexta-feira. 24 foi uma segunda-feira quando o mercado abriu novamente, então este campo é definitivamente útil, mas o problema é que ele ainda é apenas um monte de números, e é meio difícil identificar tendências ou o que realmente está acontecendo e onde eu deveria Concentre-se aqui. Então, a ajuda com essa formatação condicional será uma ótima ferramenta para usar. Então, antes de fazermos, vamos apenas entrar em design e nos livrar de nossos totais gerais Row, já que não precisamos disso e você vai notar como a qualquer momento fazemos uma mudança nas colunas ar tipo de reajuste automático com base nos dados. Eu realmente não gosto disso. Então eu posso alterar essa opção aqui nas opções de ferramenta de tabela dinâmica e apenas desmarque essa coluna com opção de ajuste automático lá pressione. Ok, agora eu posso tipo de personalizar a largura das minhas colunas, e estas não vão mais mudar à medida que eu faço atualizações no meu pivô. Então, vamos chamar isso em vez de algumas roupas, vamos chamá-lo diariamente mudado para torná-lo um pouco mais claro consentimento. E agora para aplicar formatação condicional, vou controlar, mudar para baixo e pegar toda essa coluna de dados indo para formatação condicional inicial. Existem poucas opções que poderiam usar aqui. Eu poderia fazer escamas de cor como vermelho para verde. Este caso e quando usar regras de célula de destaque porque eu só quero que essas células para tomar dois formatos vermelho ou verde, com base em um ganho ou um dia perdido sobre o dia. Então comece com maior que realce regra de célula e diga, sempre que essa célula valores maiores que zero. Quero dizer, é um aumento percentual comparado com o dia anterior. Isso é uma coisa boa. Então, quando formatá-lo com verde, preencha com texto verde escuro e pressione OK e sem alterar a seleção, eu vou perfurar de volta para as minhas regras de célula de destaque e tinha uma segunda regra para menos zero. E isso é uma coisa ruim. Formate todas as células que são menos do que zero ou negativo dedo vermelho claro, preencha com textos vermelhos escuros e pressione OK, e agora está muito, muito claro. Que dias mostraram um elevador para a Apple, em que dia mostrou um declínio. Isso me mostra, você sabe, períodos de tempo em que eles são ganhos consecutivos ou perdas consecutivas, então essas histórias vêm através muito mais claramente com algo tão simples como uma regra de célula de destaque aplicada na minha pivô. Então isso foi definitivamente útil. Em seguida, vamos chamar a atenção para este campo de volume aqui, já que esse é outro elemento realmente importante dos dados com os quais podemos trabalhar. Então, para mostrar as tendências do volume dia após dia, obviamente um monte de maneiras diferentes de fazer isso, eu poderia usar um gráfico dinâmico com o gráfico de colunas de charter de linha. Mas neste caso, eu quero adicionar meus visuais aqui mesmo na tabela em si. Então, para fazer isso, assim como fizemos com o próximo, eu vou puxar em uma segunda instância de volume. Você chama essa tendência de volume, expande a largura desta coluna um pouco. E agora, o mesmo negócio aqui. Vou controlar a mudança para pegar a formatação condicional de dados da coluna inteira. E agora eu vou usar algo chamado barras de dados, que essencialmente colocar em um gráfico de barras diretamente dentro das células do pivô. Então, é um dedo de ferramenta muito bom. Adicione visualizações sem criar gráficos secundários. Então vamos fazer uma barra de dados azul aqui e agora é muito, muito claro onde esses picos e vales ocorrem em termos de volume de negociação. Então, neste caso, para a Apple, o dia de maior volume foi o 21º, seguido pelo 20º. Há claramente muita atividade naqueles dias, por qualquer motivo, e então como um ajuste final. Observe como os números são redundantes aqui. Como já temos volume na coluna G e eles se sobrepõem com as barras, parece meio feio. Então, pequeno número de protesto, formato personalizado, três pontos semi dois consecutivos pressione ok. E, Walla, seus números se tornam invisíveis. E eu tenho essa coluna de barra de dados agradável e limpa por conta própria. Então é ótimo sobre isso. É que você sabe, agora que investiu alguns minutos e tipo de construção deste modelo aplicando essas regras de formatação condicional, Eu não tenho que fazer isso uma e outra vez como eu filtrar ou classificar ou cortar e cortar esses dados . Então, por exemplo, em vez da Apple, talvez queiramos ver a Amazon a seguir. Você pode pressionar, OK. Nossa alteração diária formatando nossas barras de dados de tendência de volume são atualizadas automaticamente muito, muito fácil. E agora aqui eu vejo uma tendência muito clara onde algo aconteceu no dia 23 que fez com que o preço das ações da Amazon saltasse quase 27% e o volume de negociação praticamente explodir em comparação com qualquer outro dia na amostra. Agora acontece que eu sei que os ganhos foram lançados no dia 23 que foram realmente, muito positivos para a Amazon, o que impulsionou este jogo que vemos aqui. Então, no geral, essa foi uma maneira muito rápida e muito fácil de integrar algumas visualizações e algumas ferramentas de estilo de painel diretamente no nosso dedo do pé dinâmico. Ajude-nos a contar essas histórias e nos ajude a entender exatamente o que está acontecendo com os próprios dados brutos . Então, em seus exercícios de lição de casa, você passará por um processo semelhante. Mas em vez de analisar as diferenças de data sobre dia, você vai cavar um pouco mais em spreads de preços por dia. Mas a mesma lógica se aplicará, e com isso, esse é seu pontapé rápido para o estudo de caso do mercado de ações. 6. Estatísticas de basebol: Tudo bem. Para todos os fãs de desporto, este próximo caso de estudo vai ser divertido. Um. Vamos ver as estatísticas do time de beisebol, então o resumo dos conjuntos de dados. Estamos olhando para as estatísticas da Major League Baseball por temporada para 21 temporadas de 1995 a 2015. Então, nem uma tonelada de linhas de dados. São apenas 624 observações, mas temos um grande número de dimensões e medidas com as quais temos que trabalhar. Assim, as dimensões incluem a data de início da temporada , o ano , a liga, o nome da equipe da divisão tanto abreviado quanto completo. E depois algum binário. Sim, não há bandeiras para indicar se a equipe ganhou a divisão, o curinga, a liga ou o mundo da Siri. Então esses campos de sinalização binária serão ferramentas realmente úteis que podemos usar para filtrar e classificar em termos de medidas. Você tem todas as suas estatísticas clássicas de beisebol aqui. Jogos jogados, vitórias e derrotas se bater estatísticas como corridas marcadas em morcegos, acertos , duplos, triplos, home runs, caminhadas, strikeouts, bases roubadas, pego roubando e, em seguida, pitching ou estatísticas defensivas, como corridas permitidas, corridas ganhas, média corrida ganho, jogos completos, fecha e salva. Então, na verdade, só vamos usar um pequeno punhado desses campos, pelo menos no caso Study, pontapé inicial. Mas eles estão disponíveis para você explorar como quiser. Então conceitos abordados neste pontapé inicial vamos falar sobre classificar e filtrar coisas muito básicas que vamos usar, , gráficos dinâmicos e segmentadores e depois praticar seus campos calculados. Então vamos em frente e mergulhe já com sua pasta de trabalho de estudo de caso da tabela dinâmica aberta. Vá em frente e selecione a guia de estatísticas do time de beisebol. E nós apenas temos um intervalo fixo de dados aqui para que possamos pressionar o controle A para pegar todos esses dados. Na verdade, nós não queremos essas linhas extras, então basta selecionar um dos campos no intervalo, pressionar o controle a novamente, e isso irá apenas levá-lo para a linha 6 25 que é o que queremos. A tabela dinâmica de inserção de compressa em uma nova planilha e vamos em frente e nomear este beisebol, dá-lo e formatá-lo com um bom tom verde claro. E aqui vamos nós. Então todos esses campos para trabalhar novamente, nós não vamos cavar em tudo apenas começando a arranhar a superfície aqui. Mas como estamos analisando os dados de nível de equipe por ano, vamos em frente e levar o Year Dragon em nossos rótulos de papéis. Agora você pode ver o período de 21 temporada que temos que trabalhar com. Eu vou pegar o nome completo da equipe e fazer um filtro aqui em cima, então eu não me importo com um monte de estatísticas de componentes por enquanto. Eu só quero começar analisando os registros de perdas de vitórias. Então eu vou puxar o W para vitórias. L de perdas. Faça um pouco de formatação aqui. Então formato numérico com separador de milhares, sem casas decimais, mesmo formato exato para perdas. Lá vamos nós. E vamos fazer nomes de cabeçalho personalizados aqui vitórias e derrotas. E você deve estar se perguntando por que esses dois campos são iguais agora. É uma ótima pergunta, mas quando você pensa sobre isso, estamos olhando para os dados de toda a temporada em todas as equipes e para cada jogo dado, uma equipe tem que ganhar, outra equipe tem que perder, então cada jogo equivale a uma vitória e uma derrota, já que não há empates no beisebol, então isso realmente não faz muito sentido quando estamos olhando para ele em todas as equipes . Mas quando entramos em uma equipe particular como os Red Sox, por exemplo, agora estamos olhando para isso. Equipes particulares ganham recorde de perdas temporada por temporada, então eu quero uma maneira melhor de interpretar esses registros de perdas de vitória. Então o que eu quero fazer é adicioná-lo campo calculado que eu quero chamar porcentagem de vitória e que será definido simplesmente como Ventos ou W dividido por G, que é jogos jogados. Pressione OK, clique com o botão direito do mouse e formate-o como uma porcentagem com um ponto decimal. Lá vamos nós. Agora temos uma única coluna que tipo de captura a informação nos ventos e colunas de perda . Isto é quando a percentagem 1995 a percentagem de vitória do Red Sox foi de 59,7%. Agora eu posso usar esse campo para realmente começar a cavar os dados e analisá-los um nível mais profundo. Então, por exemplo, para os Red Sox, eu posso classificar essas temporadas decrescentes por porcentagem de vitórias. Para dizer que OK 2004 foi o melhor ano do Red Sox nesta amostra em termos de perda de vitória em 60.5% 2012 foi o pior ano com uma porcentagem de vitórias de 42.6. Você sabe, e o mesmo acontece com qualquer outra equipe. Eu poderia mudar a seleção dos Red Sox para os Cubs. Agora eu posso ver que o ano mais forte dos Cubs foi 2008 em 60.2, seguido por 2015 você sabe, e assim por diante e assim por diante. Ele também pode levar a equipe de arrasto para os meus rótulos de papéis e puxar o ano para fora e aplicar o mesmo tipo de lógica de classificação, decrescendo por porcentagem de vitória para ter uma noção de quais equipes têm o recorde de perda de vitória mais forte ao longo do curso do amostra inteira. Então vemos que, em geral, os Yankees foram praticamente a equipe mais dominante neste período de 21 anos, com uma porcentagem média de vitórias de 58,7. No outro lado do espectro, você tem equipes como os Marlins e aumenta a 43 40% respectivamente. E agora estamos olhando para apenas tipo de todas as equipes dispostas em uma única lista. Mas também podemos mostrar as hierarquias aqui, uma vez que temos as dimensões de divisão e liga com o dedo do pé trabalhar. Então, por exemplo, nós poderíamos colocar na divisão chefe de equipe nas etiquetas fileiras e dividir as coisas pelas equipes da Divisão Central. As equipes da Divisão Leste e da Divisão Oeste também puxaram a liga. Adicione uma camada adicional. Agora é a Liga Central Americana, a Liga Nacional Central e assim por diante. E esse tipo de apenas dá um contexto diferente para nossas opções de classificação. E nossas percentagens de vitórias aqui porque agora estamos olhando para essas equipes classificadas por porcentagem de vitórias dentro de cada divisão particular. E o que é legal sobre essa visão é que agora ele pode detalhar para qualquer ano específico ou temporada 2015, por exemplo, e isso apenas visualizar é a classificação final real no final da temporada. Então os Royals venceram a Liga Americana Central, Blue Jays venceram a Liga Americana Leste, Cardeais venceram a Liga Nacional Central e assim por diante. Então tipo de uma maneira legal de organizar essa exibição usando uma tabela dinâmica. Mas vamos em frente e drag League e Division de volta. E por que não jogamos com algumas dessas bandeiras binárias de que falamos para a liga de vitória da divisão quando a vitória curinga e a vitória da World Series, que verá aqui nestes quatro campos. Então eu vou arrastar cada um desses quatro campos para os meus filtros. Lá vamos nós. E agora o que posso fazer é selecionar meus filtros de ano. Estou olhando para a amostra inteira novamente e ajustando esses filtros. Você pode ver que eles são todos sim ou não para dizer, OK, me mostre uma lista de equipes que ganharam sua liga. Então L g ganhar é uma vitória da liga. Então esta é uma lista de equipes que ganharam sua liga em alguma temporada dentro desta amostra. Tenho os Braves, White Sox, Angels, Índios, etc. E a mesma coisa acontece com qualquer um desses. Então a World Series vence. Mostre-me todas as equipes da amostra que venceram a World Series em uma dessas temporadas. Então, muito legal. Agora eu sei quais equipes ganharam o World Series pelo menos uma vez nessas 21 temporadas, mas nós também podemos arrastar em um ano assim, para ver quais equipes uma mais de uma vez e quais anos específicos eles ganharam Então braves apenas 11 vez em 95 Angels em 2002 Yankees vemos 15 anos que ganharam em 98. 2009 1999. Se eu quiser resolver isso, o que vai acontecer? Formulário de esboço do layout do relatório de ferramentas, que dividirá essas etiquetas em rolo. Torná-lo um pouco mais legível também. Agora, um ano consorte menor para maior em vez de classificar por porcentagem de vitórias e agora é um pouco mais fácil de ler. Assim, os Yankees venceram cinco vezes em 96 98 99 2000 e 2009. Red Sox venceu o World Series três vezes. Marlins duas vezes. Gigantes três vezes, cardeais duas vezes. Coisas muito legais que podemos extrair apenas realmente com algumas ferramentas de classificação e filtragem de tabelas dinâmicas muito simples . Mas agora vamos voltar à nossa visão original de tendência percentual de vitórias. Então eu vou limpar a equipe e o filtro D ou não filtrado, esse mundo sério. O Winfield. E em vez de mostrar tanto vitórias e derrotas juntamente com a porcentagem de vitórias, realmente só precisa de porcentagem de vitória neste momento. Então, quando eu puxar vitórias e derrotas para fora e como nós conversamos, a porcentagem de vitórias será sempre 50%. Quando você está olhando para todas as equipes enroladas, eu estou Então, por que não vamos em frente e escolhemos uma equipe específica quando procurarmos os Giants aqui ? Filtrar apenas no San Francisco Giants? E agora o que eu gostaria de fazer é adicionar um gráfico dinâmico para ajudar a visualizar essa tendência e também analisar algumas correlações interessantes também. Então, desde que eu tenho minha visão simples configurada aqui, eu posso ir em frente inserir um gráfico dinâmico diretamente da minha opção de ferramentas de tabela dinâmica e gráfico de colunas vai fazer muito bem. Então insira essa coluna, traça minha guia analisada. Não quero esses botões de campo que podem espalhar isso. Então isso faz um bom trabalho mostrando a porcentagem de vitória dos Giants. Como é tendência ano após ano para que possamos ver onde eles tiveram temporadas fortes, onde eles tiveram temporadas fracas onde talvez eles estejam reconstruindo a equipe, mas um bom tipo de visualização simples, mas clara aqui. Mas eu quero ir um nível mais profundo e eu quero que ele entenda o que pode ser correlacionado com a porcentagem de vitórias . Então, uma coisa que vem à mente e você pode tomar uma abordagem diferente, mas neste caso, por que não olhamos para a média de rebatidas da equipe porque a média de rebatidas é um bom indicador de habilidade de acerto, que deve, em teoria, traduzir para correr, marcou e, portanto, ventos. Então eu vou selecionar um campo da minha tabela dinâmica, entrar em minhas ferramentas, campos, campos, itens e conjuntos e adicionar um novo campo calculado para um V, G ou média, e que será definido como acertos ou H dividido por Morcegos ou B. Então isso é média de rebatidas. Quando eu pressionar OK, você verá que esse novo campo foi adicionado à minha tabela e ao meu gráfico dinâmico. E para visualizar isso um pouco mais eficazmente, o que eu vou fazer é realmente mudar isso de uma coluna agrupada, que é padrão para diferentes tipos de gráfico. Eu vou percorrer todo o caminho até o Combo, e eu quero que minha porcentagem de vitória seja mostrada como colunas como está, mas eu quero que a média seja mostrada como um gráfico de linhas no eixo secundário. Estou escolhendo o acesso secundário para que eu possa editar cada uma dessas Siri e cada um desses eixos de forma independente. Então aperte tudo bem. Agora estamos mostrando nossas duas métricas ou duas medidas ao mesmo tempo, e já podemos ver uma boa correlação entre a média de rebatidas e a porcentagem de vitórias . Sabemos que a correlação não prova necessariamente causalidade, mas neste caso podemos estar bastante confiantes. Pelo menos direcionalmente, esse desempenho de bater é geralmente um sólido driver de porcentagem de vitória. Então agora vamos fazer apenas alguns ajustes de formatação aqui em um formato de clique direito. Os dados da Siri são este caso em vez de laranja. Eu meio que quero uma bela linha azul escura lá, e eu prefiro a linha suave para que eu possa marcar a caixa em baixo. E eu tenho minha lenda aqui mostrando quais Siri estou visualizando como colunas nas quais Siri estou visualizando como linhas. Então, meu último passo, você sabe, só para adicionar um pouco mais de interatividade a ele é realmente inserir um cortador bem para o seu e assim. Neste momento, eu estou olhando apenas para os Giants, que você pode ver se nós rolamos para baixo é o único item selecionado. Mas dessa forma você pode selecionar qualquer equipe e ter uma noção de como a correlação parece e como a porcentagem de vitórias e a média de rebatidas têm tendência para qualquer equipe individual. Você deve ter notado que esses marcadores apareceram formatados em laranja. Para ser honesto, não sei por que isso aconteceu. Mas se você está curioso ou se você não gosta dele, eu vou te mostrar como mudar isso. Você pode voltar para os dados de formato. A Siri entra na sua fila de preenchimento. Há essa guia marcador que você pode clicar em Drill em suas opções de marcador, e ele apenas tipo de automaticamente adicionado esses círculos laranja estranhos. Então eu vou dizer, vamos fazer marcadores construídos com estes pequenos diamantes, tamanho 6 e o quê? Encha-os com branco e dar-lhes uma borda sólida neste azul escuro. E eu fecharia isso. Lá vamos nós. Isso parece um pouco melhor do que a laranja aleatória, e você se adapta a tudo o resto, do jeito que quiser. Você pode colocar o rótulo com legenda na parte inferior, mas obviamente as opções de formatação são essencialmente infinitas aqui. Então lá vai você, obviamente uma tonelada de direções que poderíamos ter seguido com este conjunto de dados, mas espero que essa abordagem lhe dê algumas idéias e alguma inspiração para começar a explorar esses dados por conta própria 7. Classificações de San Diego: Certo, este próximo caso estuda outro dos meus favoritos, San Diego Burrito Ratings. Então Data disse que temos aqui classificações de burrito e avaliações do Yelp de 65 restaurantes diferentes em San Diego em 2016. Então 237 observações. Amostra relativamente pequena, mas algum tipo realmente interessante de dimensões incomuns e medidas com as quais temos que trabalhar . Neste caso, as dimensões incluem localização, o nome do burrito, a recomendação de data, quem foi o revisor e quaisquer notas adicionais. E depois para medidas. Nós temos a classificação Yelp, o custo do burrito, e então um monte de 0 a 5 classificações ao longo de diferentes elementos do burrito em si, modo que a temperatura da tortilha que preenche volume, uniformidade, sinergia de salsa, o que quer que isso signifique na qualidade do envoltório. Então vamos cobrir um conceito diferente aqui. Um dos mais importantes é calcular usando colunas de contagem, um dos conceitos de gatilho que é realmente importante para continuar praticando. Vamos praticar valores resumidos por mostrar valores como classificação e, em seguida, fazer alguns truques de formatação muito agradáveis e condicionais para realmente dar vida a esses dados. Então vamos em frente para o Excel e saltar para a direita em tudo certo. Então, se você tem seu livro de estudo de caso da tabela dinâmica aberto, vamos trabalhar com a guia de classificação de burrito de San Diego. E vamos apenas controlar A para pegar tudo. Insira uma nova tabela dinâmica caindo em uma nova planilha que podemos nomear burrito pivô, clique com o botão direito do mouse alterar a cor da guia para verde claro. E estamos prontos para ir eso olhando através dos campos e do conjunto de dados que temos que trabalhar aqui. Eu sou como nós falamos sobre você pode notar que é um pouco diferente de alguns dos outros conjuntos de dados com que nós trabalhamos até este ponto, neste caso, todas as nossas medidas, com a exceção de custar nossas classificações em uma escala de 0 a 5. Então isso nos dará uma chance realmente boa de praticar algumas técnicas, como médias ponderadas e usando colunas de contagem em são campos calculados. Então vamos começar este estudo de caso com uma análise das pontuações por burrito para que eu possa pegar burrito, arrastá-lo aqui para os meus rótulos, e então qualquer pontuação que nos importamos, podemos puxar para valores. Então talvez não precisemos dos oito. Talvez só nos preocupemos com alguns destes, como temperaturas de tortilla. Importante. Claro, você precisa de bons sentimentos e então vamos embora. Sinergia soa como uma boa classificação. Então temos quatro classificações diferentes tortilla, obturações temporárias e sinergia. Mas agora você pode ver que eles estão avaliando como somas, que realmente não faz muito sentido aqui. Você sabe, se tivéssemos a classificação de um dado burrito para um campo como Tortilla e uma classificação fosse 41 era 5. Queremos avaliar isso como uma média de 4,5, não a soma de quatro e cinco, que é um nove neste caso. Então, ele mudou as opções de valores resumidos de alguma média para cada um desses valores resumir por média, e então nós também vamos fazer. Ele mudou o formato numérico para torná-lo um pouco mais legível aqui, então eu vou apenas fazer um número com dois pontos decimais em vez de um formato geral. Lá vamos nós. Agora nós temos nossas quatro pontuações médias entre eles para elementos individuais ou componentes do burrito, e agora eu quero criar algum tipo de uma única pontuação média agregada baseada nessas quatro classificações de componentes. Então, por que não brincamos um pouco com isso? Entrar em são campos calculados e chamá-lo pontuação total média. Agora você acha que pode fazer sentido aqui em termos da fórmula, pode ser abrir um parêntese e dizer Tudo bem, nossa pontuação total média deve ser nossa pontuação tortilla, mais nossa pontuação temporária, mais nossa pontuação de recheios e Finalmente a nossa sinergia. Feche a divisão entre parênteses por quatro para pegar a média e pressione OK, agora, quando você fizer isso e ele cair nesta pontuação total média, você verá que alguns fazem sentido. Como para 619 burrito original. Eu só seleciono as quatro pontuações de componentes aqui em baixo. Eu posso ver as médias 375 que está correto aqui na coluna F para vício, a média de três, que está correto. Mas então eu tenho uns como dois e um onde a média deve ser 363 e eu estou recebendo 10.88 e ABA daba que deve ser 355 Eu estou recebendo 24.88 agora. Eu quero que você pare um minuto e pause este vídeo e pense exatamente por que isso está acontecendo. Então, por que eu estou recebendo pontuações que são maiores do que cinco quando na verdade, todos eles devem média fora da média dos quatro campos. Então tire um minuto, pense sobre isso, e então pressione play quando achar que tem uma resposta, tudo bem, para que possamos descobrir. Isso retorna ao conceito de campo calculado, onde quaisquer medidas ou métricas incluídas em uma coluna calculada devem ser avaliadas como filho . Então agora, porque eles são calculados, Field está pegando esses quatro pontuações de tortilla temporárias e sinergia. É pegar algumas dessas quatro pontuações e depois dividir por quatro. Então, nos casos em que há apenas uma classificação para um determinado burrito, a soma será a mesma que a média, então um campo calculado nos dará exatamente o que precisamos. O problema está nos burritos que têm mais de uma revisão, e nós podemos realmente ver o que está acontecendo lá puxando em outra instância de burrito, que é uma dimensão e avaliando-o como conta em nosso campo de valores. E agora, já que isso está contando o número de vezes que este burrito apareceu no conjunto de dados e porque seu conjunto de dados está no nível de revisão. Sabemos que isso indica o número de revisões para cada rótulo de função específico. Então, os casos que avaliaram corretamente são todos os casos em que há apenas uma revisão. Em outras palavras, não há diferença entre avaliar um pouco versus uma média onde vemos que as pontuações totais médias incorretas são para qualquer burrito que tem mais de uma revisão, como dois e um ABA daba l passou ou Califórnia e assim por diante e assim por diante. E uma coisa interessante de notar aqui é que se tomarmos, vou limpar a lista de campos da tabela dinâmica por um segundo para conseguir mais espaço. Se tomarmos a pontuação total média de são calculados campo e dividi-lo por esta coluna contagem , o número de comentários, então de repente estamos recebendo os números corretos. Então dois e um, por exemplo, a média de 363 363 Para a Califórnia, a média deve ser 365 365 Então dividindo o campo calculado que criamos, que é construído sobre somas e dividindo esse total médio pela contagem de comentários, acabamos com o número correto que estamos procurando. Então, se você se lembrar, não podemos adicionar um operador chamado Contagem de Burrito no campo são calculados porque novamente precisamos de somas que não podemos usar contagens. Então, como uma solução alternativa, o que precisamos é de um campo ou coluna em nossos dados cujo filho nos dê esses mesmos valores. E como Conde de burrito está simplesmente contando Rose em seu conjunto de dados, podemos apenas criar uma nova coluna e atribuir cada linha com um valor de um para que possamos então alguns deles, alguns deles,de acordo com esses rótulos reais, para dar nós a mesma resposta. Sei que parece um pouco mais complicado do que realmente é, mas deixe-me mostrar o que quero dizer. Indo para os dados brutos do burrito dela. Vou inserir uma nova coluna aqui, e chamamos de número de comentários porque seus dados estão no nível de revisão e apenas tipo de um. Aplique isso para baixo. Então, cada linha é igual a uma. Neste caso, volta em nosso pivô burrito, ele pode alterar sua fonte de dados, e como ele está olhando apenas para ser através de Q, ele pode apenas mudar esse B para um A ou pode arrastar manualmente a seleção e pressionar. OK, agora, se eu abrir meu campo novamente você verá que este número de campos de revisão está agora disponível para mim. Então, quando eu arrastei isso ao lado da contagem de burrito, a parte do número de críticas agora é exatamente igual à contagem da dimensão burrito . E novamente porque ambos os campos ou apenas contando Rose aqueles apenas fazendo isso usando uma contagem de verão. O outro que acabamos de criar, está fazendo isso através de um pouco de verão. E este é o que agora posso usar como parte do meu campo calculado. Então vamos tirar o burrito contado. Uma vez que não precisamos mais disso e manter um olho nesta pontuação total média que vamos entrar são campo calculado, vamos editar esta definição e basicamente o que vamos fazer é tomar esta definição exata como calculou aqui e dividir essa coisa toda pelo número de comentários que nos dará a resposta certa. Então, primeiro as coisas cercam tudo isso com outro conjunto de parênteses e depois dividi-lo pelo número de avaliações, pressione OK e veja como isso se atualiza para nos dar o número exato que estamos procurando. Então agora dois e um, 363363 Califórnia deve ser 365365 E aí está. Agora temos a versão correta da pontuação total média, que conseguimos usando coluna de contabilidade em nossos dados brutos para nos permitir calcular esse campo corretamente. Então vamos em frente e arrastar essa pontuação total média logo na frente depois de uma série de avaliações. E agora que temos esse tipo de pontuação total média como nosso KP I principal ou métrica-chave aqui, eu realmente quero chamar a atenção para esta coluna como meu ponto de comparação entre rótulos de linha . Então, uma maneira de fazer isso é puxar em uma segunda instância de pontuação total média. E em vez de mostrar isso sem cálculo, vamos mostrar esses valores como uma classificação de grande para pequeno, onde meu campo base é o nome do burrito. Agora eu posso ver a pontuação total média na forma de uma classificação fora desta lista inteira. Então, dois e um estão classificados em 17º lugar nesta lista em termos de pontuação total média. Arizona está em quarto lugar com a pontuação de 13 Califórnia apenas queijo é classificado em terceiro e assim por diante e assim por diante. E agora você sabe, Como sempre, eu tenho esses campos disponíveis para opções de classificação para que eu possa classificar decrescente por essa pontuação total média . E agora os meus burritos no ranking estão listados no topo do Colima Spirito, ambos com pontuação de cinco. E do outro lado do espectro, meus burritos mais baixos como Camp A On e Chicken Asada, que obtiveram notas de 25 e 238 estão listados aqui no final da lista. Portanto, esta coluna de classificação é definitivamente útil. Podemos nomeá-lo posto só para deixar isso um pouco mais claro. Mas agora vamos realmente tentar dar vida a esses dados usando alguma formatação condicional. Então eu quero mover o campo de classificação para cima na frente da minha pontuação total. Vou controlar a mudança para selecionar esta coluna de Pontuação Total, e não quero o total geral. Então, indo para projetar virar totais gerais fora apenas turnos cliques, e eu selecionei toda a coluna para pontuação total média Eu vou entrar no meu menu inicial , formatação condicional e em uma escala de cores aqui de verde para vermelho, porque eu quero minhas pontuações altas formatadas em verde e minhas pontuações baixas formatadas em vermelho. E à medida que você rolar para baixo, você pode ver esses tons de laranja e vermelho à medida que as pontuações pioram, sobe para amarelos e verdes à medida que as pontuações melhoram. E agora, para levar esta visualização um passo adiante, vou selecionar uma das minhas colunas de pontuação de componente e aplicar uma regra de célula de realce. E neste caso, tudo o que estou a tentar fazer. É uma espécie de adicionar um pouco mais de insight sobre quais pontuações de componentes estão gerando a pontuação total média de um dado burrito. Então, em vez de fazer escalas de cores para todas essas colunas também, que pode ficar um pouco ocupado, eu vou apenas fazer alguns destaques. Regras da célula. Então, nos casos em que a pontuação é maior que quatro, vamos destacar estes verdes. Uma vez que essa é uma pontuação muito forte, e então, com a mesma seleção no lugar, vamos fazer uma regra menos do que realçar para qualquer pontuação que seja menor que três, que é uma pontuação muito ruim com um preenchimento vermelho e vermelho escuro textos. Tudo o resto vai ficar sem formatação. Agora, para essa coluna, é muito mais fácil ver pontuações excepcionalmente altas ou excepcionalmente baixas e uma pequena dica profissional aqui. Em vez de passar por esse mesmo processo mais três vezes, eu posso pegar essa coluna inteira e usar uma pequena dica no menu inicial chamado Format Painter. Se eu clicar duas vezes nessa ferramenta agora, copiei esse formato exato, mesmo sendo um formato dinâmico e condicional. E eu posso apenas clicar na primeira célula em cada uma dessas colunas e aplicar a mesma lógica de formatação condicional a cada uma delas. E quando eu terminar, aperte o botão de novo e aí está. Então agora eu tenho um visual realmente agradável mostrando a pontuação geral ranqueada, bem como pontuações de componentes individuais, você sabe, destacando valores excepcionalmente altos ou baixos. Então, algumas tendências interessantes aqui, você sabe, nossas melhores pontuações tendem a se dar bem em toda a linha. Temos alguns casos em que um burrito como Deborah Special foi muito bem em termos de temperatura, mas não tão bem em termos de enchimento e vice-versa. Então há toneladas de histórias diferentes que agora você pode começar a extrair apenas simplesmente olhando para as visualizações aqui agora, ajuste final que eu quero fazer aqui que você pode ter notado é que muitos desses burritos apenas têm uma única revisão, o que não é necessariamente justo quando estamos comparando com outros burritos que podem ter três ou seis ou 13 ou mesmo 60 avaliações. Então, o que eu recomendo fazer para tornar isso um pouco mais de uma visão maçãs para maçãs seria ir em frente e aplicar um filtro de valor para a coluna Burritos e escolher maior do que para que possamos dizer, Vamos Onley olhar para dados ou burritos, onde o número de comentários é maior do que uma imprensa. Ok, agora nós reduzimos nossa visão de mais maçãs para maçãs comparação entre todos os burritos que têm pelo menos duas classificações. E então, é claro, você pode tipo de aplicar qualquer outra ferramenta de formatação que quiser. Você poderia centralizar o usado para torná-lo um pouco mais legível. Você pode alterar os cabeçalhos das colunas, o que você escolher. Mas o que é ótimo sobre tabelas dinâmicas é que agora que eu coloquei em todo o trabalho para criar essa visão e modelo realmente legal. Eu posso então simplesmente trocar rótulos em rolo, agregar ou cortar ou dados de maneiras diferentes sem ter que recriar qualquer uma dessas regras de formatação. Então, por exemplo, isso é o que você vai fazer no seu dever de casa. Posso tirar burrito, e em vez de classificar por burrito, posso avaliar por localização. E a única coisa que precisa mudar aqui é a coluna Rank. Uma vez que usa um pai de burrito. Agora meu campo base é a localização, e lá nós temos isso para que eu possa passar pelo mesmo processo que consorte minhas localizações, decrescendo pela pontuação total média. E aí está. Assim como analisamos burritos no início, agora aplicamos muito rapidamente o mesmo tipo de análise aos locais. Então realmente, ferramentas muito poderosas aqui para extrair toneladas de insights desses dados, e isso encerra seu estudo de caso. O pontapé inicial. Agora é a sua vez de sujar as mãos. 8. Condições de tempo diário: Tudo bem. Nosso próximo caso estuda as condições climáticas diárias, e o conjunto de dados lá tem que trabalhar. Aqui estão os dados meteorológicos diários de Boston, Massachusetts, de janeiro a dezembro de 2016. Então nós realmente temos apenas menos de um ano completo de dados 363 linhas para trabalhar. Tem dimensões como data e o tipo de condições. Chuva clara, neve e, em seguida, algumas medidas para capturar a temperatura máxima para o dia. A temperatura média, temperatura mínima, velocidade máxima do vento e qualquer precipitação em termos de polegadas. Assim, os conceitos que abordarão neste início incluem classificação e filtragem de gráficos dinâmicos , agrupamento de datas e cálculo com contagem. Então vamos entrar. Então, na sua pasta de trabalho de estudo de caso da tabela dinâmica, vá em frente e clique na guia Condições do Tempo Diário e, com qualquer um desses valores selecionados, basta pressionar o controle. A. Para pegar todo o intervalo de dados. Insira a tabela dinâmica em uma nova planilha. Vamos chamar este pivô de clima e formatar a cor da aba com o verde claro, e lá vamos nós. Então nós temos o nosso ponto de partida, e agora para começar as coisas, eu gostaria de começar olhando as temperaturas médias médias para ver como as coisas evoluem dia dia e ao longo de meses e estações. Então comece por marcar a data. Você vai notar que ele auto agrupa até dois meses. Isso é bom. Vou começar puxando meses para o campo de filtros para que eu esteja olhando de dia para começar. E então, em termos de valores, vamos pegar a temperatura média caindo em valores. Vou notar que é padrão para o sol, que porque seus dados estão no nível diário. Isso nos daria a resposta correta, mas não queremos. Algumas dessas temperaturas à medida que olhamos para os dados por mês ou por ano ou em qualquer nível agregado ou vista para que possamos fazer é alterar a classificação de verão para média. Como você pode ver, é exatamente o mesmo que alguns no nível diário, mas agora estará tomando a média quando rolarmos isso dois meses ou anos ou qualquer outra coisa . Então, com a temperatura média aqui para me ajudar a visualizar como as coisas estão se movendo, eu posso selecionar essa coluna inteira, realmente me livrar dos totais gerais e apenas selecionar os dados em si, e daqui, o que eu quero fazer é inserir uma escala de cores, então eu vou para casa formatos condicionais escalas de cores e eu gosto deste vermelho para azul porque o azul tipo de sente frio e Redfield quente. Eu vou escolher esta escala de cores especificamente e já como você percorre, você pode ver tipo de como ele muda de azul para vermelho e, em seguida, de volta para azul como nós vamos para a primavera, verão, outono e inverno. Então isso é muito legal por conta própria, apenas como uma dica de visualização. Obviamente, eu também posso aplicar opções de classificação aqui, então OK, decrescente por temperatura média vai me dizer o dia mais quente do ano, que foi 12 de agosto. Com uma temperatura média de 86 graus. Eu poderia rolar todo o caminho até o fundo ou apenas mudar minhas opções de tipo para ascendente para ver o estado mais frio do ano, que foi Dia dos Namorados 2016 realmente frio. A temperatura média era zero graus, o que é, na verdade, 11 graus mais frio. Depois, o segundo dia mais frio, que foi o dia 15. E à medida que você percorreu, é legal ver essas escalas de cores mudando gradualmente à medida que os valores mudam. Então lá vai você. Essa é uma boa maneira de explorar as temperaturas no nível diário. Mas agora vamos trazer data para fora, puxar mês para o filme. Então isso nos conta exatamente a mesma história aqui, apenas em um nível mais alto de granularidade. Então agora podemos ver a tendência de nível mais alto por mês, onde janeiro e fevereiro são muito, muito frio começa a aquecer em abril, maio, junho, e então você tem julho e agosto, que são os mais quentes e, em seguida, começa a relaxar novamente no outono indo para dezembro . Então esta escala de cores não é realmente bom trabalho visualizando as mudanças mensais de temperatura . Mas eu também gostaria de adicionar um gráfico de linhas para ajudar a visualizar essa tendência ou mostrá-la ainda mais claramente. Então vamos dinamizar ferramentas de tabela, gráfico dinâmico e vamos selecionar linha aqui e pressione OK, eu não consigo me livrar de alguns desses recursos. Não precisa dos botões de campo. Eu realmente não preciso de uma lenda aqui, já que estamos olhando apenas para uma Siri e para o título, podemos apenas chamá-lo de temperatura média por meses. Faça esse título ousado, espalhe-o um pouco e lá vai você e você sabe que apenas em termos de formatação é meio exigente nit. Mas em um caso como este, o que eu gostaria de fazer é adicionar rótulos de dados e depois formatá-los um pouco. Eu quero mostrá-los no topo assim acima dos pontos de dados, e eu quero mudar o formato do número um pouco, torná-lo um número com talvez um ponto decimal, e então nós podemos fechar isso. Então isso só ajuda a ver a tendência um pouco mais e também formatar os dados que a Siri vai preencher e alinhar. Gosto de usar uma linha suave. Aqui está bem novamente. Essa é a minha preferência. Você não tem que fazer nada disso se você não gosta, mas aí está. Agora vemos um tipo muito claro de colisão em junho, julho, agosto, e, agosto, e, em seguida, uma queda de estudo para baixo outubro, novembro, dezembro. Então, a partir daqui, nós também podemos ir em frente e adicionar uma linha do tempo. Uma vez que temos um campo de data e soltamos uma linha do tempo também, essencialmente, o que isso vai fazer é nos dar uma espécie de ferramenta que podemos usar para cortar essa visão Então agora estamos olhando para todos os 12 meses. Mas se só nos preocupamos com a primeira metade do ano, por exemplo, podemos usar a linha do tempo para meio que apenas esta visão, você sabe, talvez só se preocupe com a segunda metade do ano. Lá vai você. E você pode ver a tabela e o gráfico atualizando de acordo. Tão boa ferramenta de visualização que podemos olhar para os pés, analisar temperaturas por mês. Obviamente, poderíamos fazer exatamente a mesma coisa com Temperatura mínima máxima, precipitação da velocidade do vento. Então eu recomendaria explorar isso e talvez testar visualizações semelhantes com campos diferentes. Então, a próxima coisa que eu quero demonstrar apenas neste estudo de caso inicial é que agora que eu tenho um bom senso de temperaturas médias por mês agora, eu estou curioso sobre cavar um pouco mais fundo nas Temperaturas Máximas e Min, e especificamente, eu quero olhar para a temperatura espalhada por dia. Então eu quero ver quais dias viram as maiores diferenças entre a temperatura máxima e a temperatura da hortelã . Então, em vez de manipular esse pivô e arruinar meu gráfico, na verdade, só vou selecionar aquela tabela dinâmica inteira, copiá-la e colá-la aqui. Tão preservado o trabalho que fizemos. Basta ter uma segunda instância da tabela dinâmica para trabalhar aqui em baixo. Então vamos em frente e retirar meses. É voltar ao nível diário agora, arrastar a temperatura mínima e a temperatura máxima novamente. Desde que eu sou nível diário, realmente não importa o que o verão Modi uso, mas porque eu sei que vou rolar estes até mensalmente. Em algum momento, vou mudar isto de somas das médias. E eu quero criar um campo calculado para me dar aquele spread que eu estava falando. Vai entrar em ferramentas de tabela dinâmica, campos, itens e conjuntos. Vamos chamá-lo de tentações espalhadas. E realmente, a única coisa que faz sentido aqui é tirar Max menos. Os homens pressionam OK, e isso parece estar avaliando corretamente, pelo menos no nível diário. Então, para qualquer dia ou data, eu posso ver a propagação. Em 14 de fevereiro o mínimo foi negativo. Nove. O alto foi 12 que é espalhado de 21 15 propagação foi de 4 para 35 que foi uma temperatura 31 e eu posso usar este campo de propagação temporária agora como uma opção de classificação. Então, que tipo descendente por dispersão temporária para ver qual dia em nossa amostra mostrou a maior diferença entre altas e baixas temperaturas. Acontece que foi 9 de março, onde tinha uma temperatura baixa de 40 e uma alta de 77 graus o que equivale à propagação de 37 graus. Então isso é legal, e isso é útil. Mas agora, digamos que eu queira ver essa média de temporárias espalhadas por mês em vez de por dia. Você sabe, para ver se há um spread maior para certas estações ou se há alguma tendência que pode ser interessante para ver no nível mensal. Então vamos trocar de encontro com meses, e aqui vemos que nossas temporárias se espalharam de repente é totalmente loucura. Então, estamos vendo uma tentativa de propagação de 433 graus em janeiro, e por esse ponto você deve começar a ter uma noção de por que esse tipo de erro ocorre, e é porque a dispersão temporária é um campo calculado. Os campos calculados precisam usar somas para quaisquer campos de entrada que vão para a fórmula e, neste caso, os campos de entrada são temperatura mínima e temperatura máxima. Então, o que eu realisticamente quero é uma fórmula que diga, subtraia a temperatura mínima média da temperatura máxima média e me dê essa diferença. Então, neste caso, realmente, o que eu quero é 39,484 menos 25,516 Então isso realmente deve ser avaliado para 13,97 em vez de 4 33 Mas como falamos, nós não podemos entrar em campo calculado indo para tentar se espalhar. E não podemos dizer que me dê a média de temperatura máxima menos a média da tenda mínima. Isso simplesmente não funciona. Então o que precisamos é de uma coluna auxiliar ou nova coluna e seu conjunto de dados real que levará a contagem e avaliado como um filho que podemos usar em nossa fórmula. Então vamos em frente às condições climáticas diárias. Basta adicionar uma nova coluna depois de um vamos chamá-lo de um número de dias. Como nossos dados estão no nível diário, só vai levar um valor de um. Veja como padrão um formato de data, então vamos mudar isso para um número. Aplique isso. Então agora temos um valor de um em cada linha para essa nova coluna de número de dias na minha tabela dinâmica, você pode ir em frente e atualizar essa tabela dinâmica. Há um número de dias, e agora o que precisamos fazer é converter essa fórmula que escrevemos a partir de algumas das temperaturas máximas e hortelã temporárias, que é o padrão. A única opção. Temos de mudar isto para a média máxima dos homens médios. Então, para avaliar a temperatura máxima média, posso pegar o temperamento máximo a soma da temperatura máxima e dividido pelo número de dias? É a mesma coisa que leva a tenda média máxima. Eu vou fazer a mesma coisa aqui com parênteses de abertura mínima dividido pelo número de dias e fechá-lo. Então agora isso se traduz na temperatura máxima média menos a temperatura média dos homens. A imprensa. OK, lá vai você. Então 13.967 eu poderia apenas adicionar esse cálculo manual em uma verificação spot novamente, arrastá-lo para baixo e ele está certo no ponto. Então essa nova fórmula que escrevemos usando essa coluna de contagem em nossos dados brutos fez exatamente o que queríamos fazer. E a partir daqui podemos simplesmente formar nisso você sabe, uma maneira mais amigável. Podemos até tirar homens e Max se quisermos. Mas agora, como sempre, enfraquecer tipo com base nesse novo campo, para dizer bem em geral, Fevereiro pelo menos em 2016 foi o ano com a maior propagação média de temperatura de pouco mais de 18 graus. Auras Dezembro teve a menor temperatura média de propagação de 13,36 Então meio interessante . Não sei se há muita tendência aqui. Parece que os meses de verão como junho de julho de 10 de agosto. Para mostrar bastante grande temperatura se espalha aqui nos meses mais frios tendem a mostrar menor. Olá, Fevereiro parece uma exceção a essa regra. , De qualquer forma, só outro ângulo interessante que podemos usar para analisar os dados meteorológicos. Então, há o nosso pontapé inicial para o estudo de caso do tempo diário. Dê uma chance às perguntas do dever de casa e me avise se tiver alguma dúvida 9. Postagens de Spartan Race no: Tudo bem. Nosso próximo caso estuda um divertido, e ele está realmente olhando para os dados de corrida espartana no Facebook. Então, neste caso, temos 393 linhas de dados que realmente mostram postagens de corrida espartana no Facebook de agosto a outubro de 2016. Agora temos algumas dimensões realmente interessantes para trabalhar. Aqui temos o nome da página, que é raça espartana, a data da cópia do post, um link para o próprio post. Que tipo de post era, se era uma foto de status de vídeo ou um evento, a hora em que o post foi postado e a hora do dia. Então tarde, noite, manhã, etc. E em termos de métricas, você tem suas métricas padrão de engajamento de mídias sociais, como compartilhamentos, reações, curtidas e comentários. Então vamos abordar alguns conceitos diferentes neste estudo de caso. Vamos fazer uma revisão rápida de mostrar valores, como com porcentagem de coluna, irá para campos calculados e, em seguida, fazer algumas demonstrações com cálculos ligeiramente mais avançados usando colunas de contagem nos dados brutos. Então vamos em frente para se destacar e mergulhar na direita já na tabela dinâmica livro estudo de caso , Vá em frente e encontrar a corrida espartana Facebook Post guia. E com qualquer uma dessas métricas ou células selecionadas, basta pressionar o controle. R. Para pegar todos esses dados, vamos inserir uma tabela dinâmica em uma nova planilha e vamos chamá-la de Spartan Pivot e quando direito, clique e mude a cor da aba para um verde claro agradável. E agora, antes de mergulharmos, vamos fingir que somos o analista de marketing da Spartan Race, e fomos encarregados de entender melhor as raças espartanas, desempenho do Facebook e a estratégia de postagem. Agora, se esse é o caso de métricas que eu realmente me importo em termos de olhos de KP, aqui estão essas métricas de engajamento como compartilhamentos, reações, gostos e comentários. E uma vez que temos algumas dimensões realmente agradáveis e interessantes para trabalhar, o que eu gostaria de saber é, como essas métricas de engajamento ou taxas de engajamento diferem por copiadora, tipo de postagem ou postagem de raças Wen Spartan certas coisas, então espero que eu possa usar tabelas dinâmicas e gráficos dinâmicos para extrair alguns insights interessantes de seus dados e usar aqueles para ajudar a raça Spartan otimizar sua estratégia no Facebook. Então, com isso, vamos começar bastante alto nível e simplesmente usar a conta de ização de verão para ter uma noção de como as corridas espartanas postagens tendem a ser distribuídas de maneiras diferentes. Então, se eu estou procurando por conta, eu posso puxar em qualquer uma dessas dimensões aqui. Vamos usar cópia Post, por exemplo, e quando eu arrastá-lo para valores, vez que não é uma medida numérica, ele será padrão, conta de que simplesmente conta a rosa. Então 393 há o número total de linhas no meu conjunto de dados, que é exatamente o que eu quero. Tenha em mente que eu poderia puxar em qualquer coisa aqui data da página de postagem, e eu teria a mesma contagem de métricas porque nós estamos apenas contando Rose aqui. Muito simples. E agora o que eu posso fazer com essa contagem é então puxar outro campo para minhas etiquetas de estrada para quebrar essa contagem decrescente. Então vamos começar com fotos de link de evento tipo post, status ou vídeo. E o que isso me diz é o número de vezes que cada tipo de postagens apareceu em nosso conjunto de dados para que possamos classificar esses valores decrescentes pela contagem e ver que as postagens de vídeo eram as mais comuns . Havia 195 postagens específicas de vídeo nesta amostra, seguidas de fotos em 1 56 e, em seguida, realmente não muitos eventos links ou mensagens de status em tudo. E uma coisa que podemos fazer é muito simples. Só para visualizar essa tendência um pouco melhor em um gráfico dinâmico, jogue algo como uma torta ou donut aqui também. Só para visualizar esses números que estamos olhando em nossa mesa. E eu só vou me livrar desses botões de campo e vou clicar com o botão direito do mouse no da Siri. Quero tornar o todo um pouco menor, preferência totalmente pessoal. Então, para você, eu estava mudando o título deste número de posts. Desde que se lembre, o conde está apenas contando. Linhas e linhas representam postagens individuais. Então, essencialmente, o que estamos vendo aqui é o número de postagens que caem em cada bucket de uma linha rótulos. Então eu posso ver aqui que o vídeo representa apenas cerca de metade das postagens, e foto representa uma grande porcentagem que realmente não são muitos desses outros tipos de postagem aqui. E agora que eu tenho esse gráfico de rosquinhas no lugar, eu posso simplesmente trocar em diferentes dimensões sem ter que reconstruir meu gráfico. Então, por exemplo, vamos puxar o tipo de post para fora e puxar a hora do dia e novamente classificar esses descendentes pela contagem. Quando o fazemos, podemos ver que mais da metade dos posts foram postados à noite, seguido de tarde da noite e depois da tarde. E realmente não muitos posts de manhã em tudo. Você pode até aprofundar mais do que isso poderia levar um tempo do dia para fora, realmente fazer o nosso de post e classificar aqueles descendentes pela contagem. E aqui você pode ver que 23 PM tipo de início da tarde é um momento bastante comum para postar. E então eu sei que é um pouco difícil de ler. Todos esses rótulos realmente não recomendaria o uso de donuts ou tortas quando você tem esses cortes de dinheiro de seus dados. Mas só Teoh ilustra o que quero dizer. Você tem um volume muito baixo às 2347 da manhã, o que faz todo , o o sentido. Então agora que sabemos o tipo de distribuição de postagens, sabemos quando a raça espartana tende a postar com mais frequência, e que tipos de postagens tendem a ser mais comuns agora, como analista, o próximo nível de percepção que eu preciso para chegar é como as taxas de engajamento realmente se dividem de acordo com essas diferentes dimensões. Então eu realmente quero começar com o tipo de post. Então vamos em frente e tirar o nosso de poste daqui. Você pode se livrar do nosso gráfico de rosquinhas, e podemos apenas puxar o tipo de postagem de volta para nossos rótulos tipo de onde começamos. E agora, já que queremos começar a olhar para o engajamento real, vamos puxar alguns desses campos. Ambos os compartilhamentos, reações, gostos e comentários. Você notará que as ações assumiram como padrão a conta. Isso é provável porque há pelo menos uma linha em branco na coluna. Então, enquanto eu estou ciente de que não é um grande negócio, nós poderíamos apenas mudar o modo de ização de verão para um alguns e, em seguida, reações, gostos e comentários todos avaliados para alguns. Então, tudo está pronto agora. Vamos mudar o formato numérico para adicionar um separador de milhares, só para torná-lo um pouco mais legível. Você não precisa fazer isso, mas eu gosto de manter tudo consistente e polido o máximo que eu puder. Então lá vamos nós agora. Isto é interessante. Eu tenho essas métricas de quatro componentes, mas eu realmente quero que uma métrica me dê compromissos totais. E como gostos são um subconjunto de reações, há realmente apenas três componentes aqui que eu me importo com ações, as reações e os comentários. Então, vamos em frente para ferramentas, campos, itens e conjuntos criar um campo calculado chamado Total de engajamentos. E a fórmula é simples como tomar as ações, mais as reações mais os comentários. Opa, mais os comentários. E lá vamos nós. Estamos prontos para ir. Então, há compromissos totais. E logo de cara, podemos ver que fotos ou segunda linha aqui tendem a gerar uma tonelada de engajamentos totais, especificamente um monte de reações e gostos vídeos Where também geram um monte de engajamentos totais . Eles geram mais compartilhamentos e comentários em geral. Então algumas tendências interessantes começam a surgir aqui já. Mas uma coisa a lembrar é que este é um volume puro que estamos olhando para somas , e é agregado entre postagens. Então, não é realmente uma comparação justa sem fatorar no número real de posts que se enquadram em cada categoria, que foram capturando aqui e coluna B. Então, por exemplo, porque links postagens apenas conduziu 9000 compromissos totais. Isso não significa necessariamente que há menores desempenhos do que fotos ou vídeos, porque há apenas 31 posts que caíram nessa categoria, comparação com 156 para foto em 195 para vídeo. Então, o que seria um mais apropriado maçãs para maçãs? Medida de desempenho ou engajamento relativo são engajamentos por post. Então o que isso significa é que precisamos coluna de contabilidade que podemos usar em nossa fórmula de campo calculado . Como não podemos pegar nosso cálculo total de engajamento e dividir pela contagem de cópias postais, isso seria exatamente o que gostaríamos de fazer. Mas infelizmente, estamos limitados ao Lee a usar a soma de um determinado campo, então não podemos dividir pela contagem de mais nada. Então, já praticamos isso algumas vezes. Já deve estar se tornando uma segunda natureza. Podemos voltar aos nossos dados brutos. Basta inserir uma nova coluna aqui. Vamos chamá-lo de número de postagens. Uma vez que a data é no nível de post, disse que igual dedo do pé um. Aplique isso. Apenas certifique-se que foi até o fundo. Doce e de volta ao nosso pivô e atualização. Agora, uma coisa para chamar, você verá que nossa coluna de noivado total foi destruída. Tem esse erro de nome agora. Às vezes isso acontece. Às vezes, não acontece quando acontece, isso só significa que ele é lançado um erro de referência depois que você atualizou um pivô para que possamos entrar em uma fórmula total de Engajamentos e ver que ele perdeu a referência a esses campos, provavelmente porque essas colunas mudaram como eu adicionei meu novo número de coluna Post nos dados brutos. Então, não é grande coisa. Podemos apenas redefinir este campo como tínhamos antes, como ações mais reações mais comentários. Então, só um aviso. Às vezes isso acontece. Outras vezes, não. Não sei porquê. Só acontece às vezes, mas é uma solução fácil de fazer. Então, agora que temos o nosso número de colunas posts aqui, podemos comparar isso contra Contagem de Cópia Postal e confirmar que alguns nos dão os mesmos valores que a contagem. Então este campo é o que podemos usar em nosso cálculo. Ele pode puxar contagem de cópia post para fora, e agora é cabeça de volta nos campos, itens e conjuntos. Nós vamos criar um novo campo calculado chamado engajamentos por postagem, e isso simplesmente vai igualar a sensação de engajamento total que tínhamos calculado dividido pela nova coluna que acabamos de criar chamada Número de Postagens e Imprensa. OK, é formatar isto para um número. Eu realmente não preciso de nenhum ponto decimal aqui e agora temos engajamentos por postagens que fatores no número de postagens, e isso nos dá a quantidade média de engajamento para cada um desses buckets. Então agora, quando classificamos por essa nova coluna engajamentos por post, agora temos uma espécie de medida mais precisa e realista de engajamento relativo. Assim, para postagens fotográficas, a postagem média gera 945 vídeos de engajamentos no Lee 7 34 e então nós realmente vemos o mesmo tipo de postagens de baixo volume também com baixo desempenho em termos de engajamentos por postagem. Então essa é uma descoberta interessante, você sabe, em uma visão que eu poderia ter em mente, o que faz muito sentido. E, você sabe, isso também ajuda a validar por que estamos vendo tanta atenção dada a postagens de fotos e vídeos porque, como podemos ver aqui tendem a gerar uma quantidade consideravelmente maior de engajamento do que outros tipos de postagem. Não é. Nós podemos tipo de continuar esta análise, talvez puxando tipo de post para fora e hora do dia dentro e classificando a hora do dia por compromissos por post. Agora vemos que Onley tinha cerca de 16 postagens na amostra, nosso post de manhã. Mas entre aqueles 16 os compromissos para o post foi muito, muito forte. 909 que é maior do que a média para a tarde, tarde da noite ou noite. Se quisermos perfurar ainda mais fundo, enfraquecer, tomar cópia post arrastado que em seu papel secundário Able changer design esboço layout relatório E agora podemos ver quais posts reais dirigiu. Tão forte desempenho desses são os 16 postes que caíram naquele balde matinal. E se nós classificar estes no nível de postagem, descendo por engajamentos por post agora podemos ver o direito de se livrar da minha lista de campos apenas para torná-lo um pouco mais visível. Agora, estamos essencialmente classificando nossas postagens por engajamentos por postagem, que neste nível é exatamente o mesmo que o total de engajamentos, e podemos ver que esta postagem, que é uma postagem de transformação espartana, realmente superou os outros capturaram 2500 compromissos totais, que realmente ajudou a levantar a média geral na hora do nível do dia. Uma visão muito interessante. Uma vez que você detalhar até o nível de postagem real e, em seguida, você pode até mesmo voltar para a sua lista de campos, você pode puxar a hora do dia fora. Agora estamos olhando para todas as postagens individuais em nossa amostra, classificadas por engajamentos por postagem apenas para ver que tipo de flutuam até o topo de nossa lista. Temos essa cópia que diz que não temos 100% de certeza que ele está realizando “ push up”, blá, blá, blá. Se realmente trazer link também, podemos realmente copiar esse link e colá-lo em um navegador para ver o que Post foi neste caso. Era um urso polar fazendo Burpees. Então, lá temos. Esse é o nosso pontapé inicial para a corrida espartana no Facebook Data estudo de caso um monte de maneiras realmente interessantes de cavar esses dados, e nós realmente só começamos a arranhar a superfície aqui. Então vá em frente, explore esses dados, brinque com eles, tente os exercícios de casa e me dê uma chance. Se você tiver alguma dúvida 10. Envolvendo e próximos passos: Tudo bem. Parabéns. Você chegou ao fim do curso. Muito bem feito. Espero que tenha aprendido coisas novas. Espero que você pegou algumas dicas e truques e ferramentas ao longo do caminho. Diverti-me imenso a ensinar isto. Espero que você se sinta da mesma maneira sobre aprendê-lo e só quer cobrir alguns recursos rápidos é e os próximos passos para ajudá-lo a decidir onde ir a partir daqui. Então Número um, se você está procurando se tornar uma estrela do rock do Excel absoluta, recomendo completar a pilha de análises completa com meus outros dois cursos. Obteve fórmulas e funções avançadas do Excel. Tenho visualização de dados com gráficos e gráficos do Excel, ambos um muito completo, muito abrangente. Se você conseguir passar por todos os três, então você será um especialista certificado do Excel e estrela do rock. Então, confira os próximos. Aqui está alguns recursos a seguir é se você precisar de algumas perguntas adicionais de suporte. O site de suporte dot office dot com é realmente muito útil, especialmente com as coisas básicas como a sintaxe da fórmula. Você também pode ir lá para verificar o Office 3 65, que eu recomendo muito. Basicamente, é um serviço baseado em assinatura cerca de 15 dólares por mês. Ele lhe dará acesso a todos os produtos de escritório mais recentes em tempo real à medida que eles saem . Então, novamente, recomendo o Office 3 65 Próximo acima Stack Overflow é um site realmente útil, realmente ótima forma para perguntas mais avançadas ou perguntas específicas do projeto. E finalmente, Power Query e Power BI I. É um livro de Rob Kali. Você pode comprá-lo na Amazon, e para aqueles de vocês que não sabem Power Query e Power pivô Power Bi I thes ar algumas realmente, ferramentas realmente, realmente poderosas e capacidades que a Microsoft vem começando a construir no excel , especialmente nos últimos anos. E eles abriram um novo mundo de modelagem de dados e recursos de análise de dados que você não pode fazer com fórmulas de células tradicionais. Tabelas dinâmicas. Então, se você quiser levar suas habilidades analíticas e B I para um nível totalmente diferente, confira esse livro. Veja do que se trata. Altamente recomendo começar por lá e, em seguida, por último, mas não menos importante, você sabe que as classificações de exercício e comentários são o que mantém cursos como este vivo. Então, por favor, me avise o que acha. Eu adoraria ouvir de você. Por último, mas não menos importante, uma final. Enorme. Obrigado. Vocês são os melhores. Obrigado por escolher este curso. Obrigado por passar por isso até o fim. Realmente? Agradeço por terem tomado o tempo, devem estar orgulhosos do que conseguiram. E espero ver vocês no próximo.