當談到不同操作系統(tǒng)的應用普及情況，Linux在服務器市場中占有更好的位置。由于穩(wěn)定性，安全性，自由度和硬件支持等許多優(yōu)勢，Linux通常是系統(tǒng)管理員和IT專家用戶最喜歡的平臺。就像其他特殊用途（包括游戲，編程或黑客）一樣，Linux服務器發(fā)行版的類別也很廣泛。

這些操作系統(tǒng)配有專門的工具和長期支持。他們還能確保你獲得最佳的正常運行時間，電源效率，安全性和優(yōu)化的性能。你使用過哪些Linux服務器發(fā)行版，2018年你會優(yōu)先選擇哪個平臺？

RHEL（紅帽企業(yè)版Linux）

紅帽企業(yè)版Linux系統(tǒng)是最好的Linux服務器發(fā)行版之一。RHEL在Linux桌面中享有與Ubuntu相同的企業(yè)級地位。紅帽企業(yè)Linux由紅帽公司做背書，它可是Linux環(huán)境最早和最大的企業(yè)。多年來，不斷對RHEL進行改進，確保大多數(shù)軟件包和硬件都受到RHEL支持或“認證”。除了經過認證之外，對頂級Linux服務器操作系統(tǒng)的長期支持也很重要。“財富”全球500強中有90％的公司使用紅帽，這就是最好的說明了。

此外，紅帽還為開發(fā)人員提供免費和非生產環(huán)境的RHEL訂閱。

CentOS

另一種無需支付訂閱費，即可使用RHEL的方法是下載免費的Linux服務器發(fā)行版CentOS。它是社區(qū)支持的RHEL，沒有Red Hat的支持。CentOS與RHEL是二進制兼容的，這是另一個有利于它的優(yōu)點。就像RHEL一樣，CentOS存儲庫包含經過測試的軟件，它對于你的生產系統(tǒng)來說足夠安全和穩(wěn)定。當涉及控制面板（包括cPanel）時，CentOS得到更好的支持。如果你熟悉.rpm軟件包和yum軟件包管理器，CentOS就是Linux服務器操作系統(tǒng)。

由于Fedora是Red Hat的測試環(huán)境，人們也推薦使用它。但是，如果你希望系統(tǒng)使用超過一年并希望穩(wěn)定可靠，則推薦使用CentOS。

Ubuntu LTS

與RHEL和CentOS相比，Ubuntu存儲庫以更快的速度獲得軟件包。這一選擇歸結為你的特殊需求。如果你想要某些應用程序和軟件的所有最新功能和更新，請轉至Ubuntu。它擁有廣泛的用戶社區(qū)。對于加入Linux世界的Linux初學者也推薦它。

談到性能，Ubuntu提供了一個靈活的性能。你也可以選擇Ubuntu服務器選項，它附帶一些有用的軟件包，比如郵件服務器，LAMP服務器，Samba文件服務器，OpenStack Mitaka，Nginx等。發(fā)行版的5年LTS支持也保證了它成為對初學者友好的Linux服務器發(fā)行版，用于媒體服務器，電子郵件服務器或游戲服務器等場景。

Debian

為什么一些最流行的Linux發(fā)行版基于Debian是有原因的。就是它的穩(wěn)定性。盡管你希望在Debian上做任何事情都可以在Ubuntu上完成，但如果你處于高于平均水平并且穩(wěn)定性非常重要，那么建議你選擇它。還有一點需要注意的是，Debian只附帶免費軟件。與Ubuntu相比，它更輕，速度更快，這使其成為舊硬件的理想選擇。

簡而言之，如果你在一個安全和熟悉Linux的企業(yè)環(huán)境中工作，并且你需要一個Linux服務器操作系統(tǒng)，請選擇Ubuntu上的Debian。

SLES（SUSE Linux Enterprise Server）

就像RHEL和Canonical一樣，SUSE在開源世界中也非常著名。它始于1992年，是第一家為企業(yè)客戶推銷Linux的公司。該公司的主要產品是SUSE Linux Enterprise Server。與SAP和微軟的合作關系也將其帶入不同的企業(yè)市場。

使用SLES（和OpenSUSE）的一大優(yōu)勢是它的YaST軟件管理系統(tǒng)可以使許多復雜的任務更容易和自動化。它有用戶的GUI和命令行界面。這就是為什么SLES也被稱為管理最友好的Linux發(fā)行版的原因。它專為尋找多用途Linux服務器發(fā)行版的高級用戶而設計。

openSUSE Leap

openSUSE Leap和SLES是SUSE公司的RHEL和CentOS。Leap使用SLE的相同核心基礎，并提供免費的社區(qū)軟件包和支持；通過SLES，你可以獲得專門的企業(yè)支持和補丁。所以，如果專門的支持不是你的首選，建議您選擇Leap并免費獲得補丁和修復。毫無疑問，SLES更加穩(wěn)定，并附帶許多企業(yè)應用程序供應商提供的認證。

Gentoo

如果你是一位經驗豐富的Linux用戶，喜歡挑戰(zhàn)并且要獲得Linux服務器操作系統(tǒng)的要求，那么Gentoo可能是你的選擇。憑借其模塊化方法，Gentoo提倡““if you don’t need it, don’t install it”的理念。這減少了大量不必要的膨脹和依賴。另外，Gentoo的每一次安裝都是獨一無二的，并且是定制的，這給管理員提供了他需要的所有控制。而且，通過使用flags和包掩碼，你可以獲得額外的控制權。但如上所述，它不適合每個人，需要你做出明智地選擇。

2018年10月開始使用新個稅計算方法，起征整由原來的3500變成了5000，這個月發(fā)的工資，算一算扣了多少稅！

工資個稅的計算公式為：應納稅額=（工資薪金所得 －“五險一金”－扣除數(shù)）×適用稅率－速算扣除數(shù)

新的個稅免征額是5000，使用超額累進稅率的計算方法如下：

如果某人的工資扣除五險一金為12000元，他應納個人所得稅區(qū)間為12000-5000=7000元

應繳納稅金為：7000*10%-210=490元

1、速算扣除數(shù)來源

這個速算扣除數(shù)是怎么來的，以12000元為例，扣除基本納稅點12000-5000=7000元

使用速算法公式：7000在級別2

7000*10%-210

使用常規(guī)公式：

3000*3%+（7000-3000）*10%

公式展開即：

7000*10%-(3000*10%-3000*3%)

紅色部分在級別2是一個定數(shù)，計算出來正好是210

同理可以得到所有級別的定數(shù)，稱為每一級別的速算扣除數(shù)

2、計算公式

對需要計算個稅的金額，舊個稅扣稅計算公式為：

=MAX((A1-3500)*{3;10;20;25;30;35;45}%-{0;105;555;1005;2755;5505;13505},0)

新個稅計算公式為：

=MAX((A1-5000)*{3;10;20;25;30;35;45}%-{0;210;1410;2660;4410;7160;15160},0)

我們用公式計算了工資分別從3k-30w新舊個稅的差額對比情況

從這個月開始，你又能省一大筆錢了！給新個稅點贊吧！

--------------------

歡迎關注，更多精彩內容持續(xù)更新中...！

當你還在討論哪家服務器托管費用更低的時候，云存儲已經開始領跑市場了。別以為這是危言聳聽，看看2017年這傳奇的一年，業(yè)內知名企業(yè)冬至出售旗下芯片業(yè)務、西部數(shù)據(jù)收購初創(chuàng)公司Tegile、Dell EMC大力投入全閃存存儲等這一系列的事情都讓云存儲成為熱門。

雖然現(xiàn)下服務器托管依然是主流，但隨著大數(shù)據(jù)、物聯(lián)網(wǎng)和分析市場的崛起，使得IT基礎設施變革成為必然，根據(jù)相關機構的研究證明，有50%的受訪者認為如今企業(yè)對數(shù)據(jù)存儲的需求已經遠遠超過云服務的需求。

那么在未來的一年中，企業(yè)為了實現(xiàn)數(shù)據(jù)戰(zhàn)略目標，將在數(shù)據(jù)中心投資更多存儲硬件，在云中存儲更多數(shù)據(jù)，也就是說下一年更多人討論的不再是服務器托管價格、服務器租用哪家好？而是這幾個詞

全閃存

有人說全閃存的出現(xiàn)可以說是存儲介質的一個里程碑，有沒有這么重要不好說，但確實是最熱門的存儲介質之一，對數(shù)據(jù)爆炸增長的今天來說尤其重要。

云存儲

云是這幾年都比較熱的詞匯，但是大家真正接觸云主要和存儲相關，這個詞在2018年會繼續(xù)熱門下去，因為不光是個人，通過云技術將信息資源進行存儲共享被越來越多的現(xiàn)代企業(yè)應用。這對傳統(tǒng)的服務器租用托管來說是機遇也是挑戰(zhàn)。

超融合

超融合是這幾年來IT界備受關注的話題之一，也是眾多廠商發(fā)力的方向，超過一半的受訪者表示他們正在使用、計劃使用或尋求超融合基礎設施。

不過就目前來看，打聽好服務器托管價格對公司來說也沒什么壞處，有關注才能看到創(chuàng)新。

上次給大家分享了《2017年最全的excel函數(shù)大全14—統(tǒng)計函數(shù)（3）》，這次分享給大家統(tǒng)計函數(shù)（4）。

FORECAST.ETS.CONFINT 函數(shù)

說明

返回指定目標日期預測值的置信區(qū)間。 95% 的置信區(qū)間意味著 95% 的未來點預計將處于 FORECAST.ETS 預期結果中的此范圍內（使用正態(tài)分布）。 使用置信區(qū)間可以幫助掌握預測模型的準確度。較小的區(qū)間意味著在針對此特定點的預測中有更多置信。

用法

預測. ets . confint ( target_date 、值、時間線,[ confidence_level ]、[ seasonality ],[ data_completion ],[匯總])

FORECAST.ETS.CONFINT 函數(shù)用法具有以下參數(shù)：

target_date 必需。要為其預測值的數(shù)據(jù)點。目標日期可以是日期/時間或數(shù)字。 如果目標日期在歷史時間線結束前按時間順序排序，則 FORECAST.ETS.CONFINT 將返回 #NUM! 錯誤。

值必需。 值是歷史值，您要為其預測下一點。

時間線必需。獨立數(shù)組或數(shù)值數(shù)據(jù)區(qū)域。時間線中的日期之間必須有一致步長且不能為零。 無需對時間線進行排序，因為 FORECAST.ETS.CONFINT 會對其進行隱式排序，以進行計算。 如果無法在提供的時間線中識別一致步長，則 FORECAST.ETS.CONFINT 將返回 #NUM! 錯誤。 如果時間線包含重復值，則 FORECAST.ETS.CONFINT 將返回 #VALUE! 錯誤。 如果時間線和值的范圍大小不同，則 FORECAST.ETS.CONFINT 將返回 #N/A 錯誤。

confidence_level 可選。0 和 1 之間的一個數(shù)值（獨占），指示計算置信區(qū)間的置信度。 例如，對于 90% 的置信區(qū)間，將計算 90% 置信度（90% 的未來點將處于此預測范圍內）。 默認值為 95%。 對于 (0,1) 范圍外的數(shù)值，F(xiàn)ORECAST.ETS.CONFINT 將返回 #NUM! 錯誤。

季節(jié)性可選。一個數(shù)值。 默認值為 1，意味著 Excel 自動檢測季節(jié)性進行預測，并使用正整數(shù)作為季節(jié)性模式的長度。 0 表示無季節(jié)性，意味著預測為線性預測。 正整數(shù)指示算法使用此長度模式作為季節(jié)性。 對于其他任何值，F(xiàn)ORECAST.ETS.CONFINT 將返回 #NUM! 錯誤。

最大支持 seasonality 是8,760（一年中的小時數(shù)）。 該數(shù)字上方的任何 seasonality 將導致# NUM ! 錯誤。

數(shù)據(jù)完成可選。雖然時間線需要數(shù)據(jù)點之間的一致步長，但 FORECAST.ETS.CONFINT 支持最多 30% 的丟失數(shù)據(jù)，并會自動對其進行調整。 0 表示算法將缺少的點視為零。 通過將缺少的點算為鄰接點的平均值，默認值 1 將計算缺少的點。

聚合可選。雖然時間線需要數(shù)據(jù)點之間的一致步長，但 FORECAST.ETS.CONFINT 會聚合具有相同時間戳的多個點。聚合參數(shù)是一個數(shù)值，指明要用于聚合具有相同時間戳的多個值的方法。默認值 0 將使用 AVERAGE，而其他選項為 SUM、COUNT、COUNTA、MIN、MAX、MEDIAN。

FORECAST.ETS.SEASONALITY 函數(shù)

說明

返回 Excel 針對指定時間系列檢測到的重復模式的長度。 FORECAST.ETS.Seasonality 可用于FORECAST.ETS之后，確定已檢測到的自動季節(jié)性和 FORECAST.ETS 使用的季節(jié)性。 雖然它可以獨立于 FORECAST.ETS 使用，但鑒于相同的輸入?yún)?shù)會影響數(shù)據(jù)完整性，函數(shù)會受到限制，因為在該函數(shù)中檢測到的季節(jié)性與 FORECAST.ETS 使用的季節(jié)性相同。

用法

FORECAST.ETS.SEASONALITY(值, 時間線,[data_completion], [聚合])

FORECAST.ETS.SEASONALITY 函數(shù)用法具有下列參數(shù)：

值 必需。 值是歷史值，您要為其預測下一點。時間線 必需。獨立數(shù)組或數(shù)值數(shù)據(jù)區(qū)域。時間線中的日期之間必須有一致步長且不能為零。 無需對時間線進行排序，因為 FORECAST.ETS.SEASONALITY 會對其進行隱式排序，以進行計算。 如果無法在提供的時間線中識別一致步長，則 FORECAST.ETS.SEASONALITY 將返回 #NUM! 錯誤。 如果時間線包含重復值，則 FORECAST.ETS.SEASONALITY 將返回 #VALUE! 錯誤。 如果時間線和值的范圍大小不同，則 FORECAST.ETS.SEASONALITY 將返回 #N/A 錯誤。數(shù)據(jù)完成 可選。雖然時間線需要數(shù)據(jù)點之間的一致步長，但 FORECAST.ETS.SEASONALITY 支持最多 30% 的丟失數(shù)據(jù)，并會自動對其進行調整。 0 表示算法將缺少的點視為零。 通過將缺少的點算為鄰接點的平均值，默認值 1 將計算缺少的點。聚合 可選。雖然時間線需要數(shù)據(jù)點之間的一致步長，但 FORECAST.ETS.SEASONALITY 會聚合具有相同時間戳的多個點。聚合參數(shù)是一個數(shù)值，指明要用于聚合具有相同時間戳的多個值的方法。默認值 0 將使用 AVERAGE，而其他選項為 SUM、COUNT、COUNTA、MIN、MAX、MEDIAN。

FORECAST.ETS.STAT 函數(shù)

說明

返回作為時間序列預測的結果的統(tǒng)計值。

統(tǒng)計值類型表明此函數(shù)請求的統(tǒng)計信息。

用法

FORECAST.ETS.STAT(值, 時間線, statistic_type, [季節(jié)性], [data_completion], [聚合])

FORECAST.ETS.STAT 函數(shù)用法具有以下參數(shù)：

值 必需。 值是歷史值，您要為其預測下一點。時間線 必需。獨立數(shù)組或數(shù)值數(shù)據(jù)區(qū)域。時間線中的日期之間必須有一致步長且不能為零。 無需對時間線進行排序，因為 FORECAST.ETS.STAT 會對其進行隱式排序，以進行計算。 如果無法在提供的時間線中識別一致步長，則 FORECAST.ETS.STAT 將返回 #NUM! 錯誤。 如果時間線包含重復值，則 FORECAST.ETS.STAT 將返回 #VALUE! 錯誤。 如果時間線和值的范圍大小不同，則 FORECAST.ETS.STAT 將返回 #N/A 錯誤。statistic_type 必需。 數(shù)字值介于1和8之間，指示哪些統(tǒng)計值將不會為計算預測返回。季節(jié)性 可選。一個數(shù)值。 默認值為 1，意味著 Excel 自動檢測季節(jié)性進行預測，并使用正整數(shù)作為季節(jié)性模式的長度。 0 表示無季節(jié)性，意味著預測為線性預測。 正整數(shù)指示算法使用此長度模式作為季節(jié)性。 對于其他任何值，F(xiàn)ORECAST.ETS.STAT 將返回 #NUM! 錯誤。

最大支持 seasonality 是8,760（一年中的小時數(shù)）。 該數(shù)字上方的任何 seasonality 將導致# NUM ! 錯誤。

數(shù)據(jù)完成 可選。雖然時間線需要數(shù)據(jù)點之間的一致步長，但 FORECAST.ETS.STAT 支持最多 30% 的丟失數(shù)據(jù)，并會自動對其進行調整。 0 表示算法將缺少的點視為零。 通過將缺少的點算為鄰接點的平均值，默認值 1 將計算缺少的點。聚合 可選。雖然時間線需要數(shù)據(jù)點之間的一致步長，但 FORECAST.ETS.STAT 會聚合具有相同時間戳的多個點。聚合參數(shù)是一個數(shù)值，指明要用于聚合具有相同時間戳的多個值的方法。默認值 0 將使用 AVERAGE，而其他選項為 SUM、COUNT、COUNTA、MIN、MAX、MEDIAN。

下列可選的統(tǒng)計信息可以返回：

Alpha ets 算法的參數(shù) 返回參數(shù)較高值基值為最近的數(shù)據(jù)點的詳細粗細。Beta ets 算法的參數(shù) 返回參數(shù)的趨勢值較高值為最近的趨勢的詳細粗細。ets 算法的伽瑪參數(shù) 返回參數(shù) seasonality 值較高值為最近使用的季節(jié)性期間內的詳細粗細。mase 躍點 返回絕對按比例縮放的錯誤平均值躍點數(shù)度量值預測的準確性。smape 躍點 返回絕對躍點數(shù)基于百分比錯誤的準確性度量值的百分比錯誤的對稱平均值。mae 躍點 返回絕對躍點數(shù)基于百分比錯誤的準確性度量值的百分比錯誤的對稱平均值。rmse 躍點 返回 根 平均值平方值錯誤躍點數(shù)預測和觀察值之間的差異的度量。檢測到步驟大小 返回歷史時間線中檢測到的步驟大小。

FORECAST.LINEAR 函數(shù)

說明

根據(jù)現(xiàn)有值計算或預測未來值。 預測值為給定 x 值后求得的 y 值。 已知值為現(xiàn)有的 x 值和 y 值，并通過線性回歸來預測新值。 可以使用該函數(shù)來預測未來銷售、庫存需求或消費趨勢等。

用法

預測.線性( x , known _ y ' s , known _ x ' s )

FORECAST.LINEAR 函數(shù)用法具有以下參數(shù)：

X 必需。 需要進行值預測的數(shù)據(jù)點。

Known_y's 必需。 相關數(shù)組或數(shù)據(jù)區(qū)域。

Known_x's 必需。 獨立數(shù)組或數(shù)據(jù)區(qū)域。

FREQUENCY 函數(shù)

說明

計算數(shù)值在某個區(qū)域內的出現(xiàn)頻率，然后返回一個垂直數(shù)組。 例如，使用函數(shù) FREQUENCY 可以在分數(shù)區(qū)域內計算測驗分數(shù)的個數(shù)。 由于 FREQUENCY 返回一個數(shù)組，所以它必須以數(shù)組公式的形式輸入。

用法

FREQUENCY(data_array, bins_array)

FREQUENCY 函數(shù)用法具有下列參數(shù)：

Data_array必需。 要對其頻率進行計數(shù)的一組數(shù)值或對這組數(shù)值的引用。 如果 data_array 中不包含任何數(shù)值，則 FREQUENCY 返回一個零數(shù)組。Bins_array必需。 要將 data_array 中的值插入到的間隔數(shù)組或對間隔的引用。 如果 bins_array 中不包含任何數(shù)值，則 FREQUENCY 返回 data_array 中的元素個數(shù)。

備注

在選擇了用于顯示返回的分布結果的相鄰單元格區(qū)域后，函數(shù) FREQUENCY 應以數(shù)組公式的形式輸入。返回的數(shù)組中的元素比 bins_array 中的元素多一個。 返回的數(shù)組中的額外元素返回最高的間隔以上的任何值的計數(shù)。 例如，在對輸入到三個單元格中的三個值范圍（間隔）進行計數(shù)時，確保將 FREQUENCY 輸入到結果的四個單元格。 額外的單元格將返回 data_array 中大于第三個間隔值的值的數(shù)量。函數(shù) FREQUENCY 將忽略空白單元格和文本。對于返回結果為數(shù)組的公式，必須以數(shù)組公式的形式輸入。

案例

GAMMA 函數(shù)

說明

返回 gamma 函數(shù)值。

用法

GAMMA(number)

GAMMA 函數(shù)用法具有下列參數(shù)：

Number 必需。 返回一個數(shù)字。

備注

GAMMA 使用以下公式：

Г(N+1) = N * Г(N)如果 Number 為負整數(shù)或 0，則 GAMMA 返回 錯誤值 #NUM!。如果 Number 包含無效的字符，則 GAMMA 返回 錯誤值 #VALUE!。

案例

GAMMA.DIST 函數(shù)

說明

返回伽瑪分布函數(shù)的函數(shù)值。 可以使用此函數(shù)來研究呈斜分布的變量。 伽瑪分布通常用于排隊分析。

用法

GAMMA.DIST(x,alpha,beta,cumulative)

GAMMA.DIST 函數(shù)用法具有下列參數(shù)：

X必需。 用來計算分布的數(shù)值。Alpha必需。 分布參數(shù)。Beta必需。 分布參數(shù)。 如果 beta = 1，則 GAMMA.DIST 返回標準伽瑪分布。Cumulative必需。 決定函數(shù)形式的邏輯值。 如果 cumulative 為 TRUE，則 GAMMA.DIST 返回累積分布函數(shù)；如果為 FALSE，則返回概率密度函數(shù)。

備注

如果 x、alpha 或 beta 為非數(shù)值型，則 GAMMA.DIST 返回 錯誤值 #VALUE!。如果 x 0，則 GAMMA.DIST 返回 錯誤值 #NUM!。如果 alpha ≤ 0 或 beta ≤ 0，則 GAMMA.DIST 返回 錯誤值 #NUM!。伽瑪概率密度函數(shù)的計算公式如下：

標準伽瑪概率密度函數(shù)為：

當 alpha = 1 時，GAMMA.DIST 返回如下的指數(shù)分布：

對于正整數(shù) n，當 alpha = n/2，beta = 2 且 cumulative = TRUE 時，GAMMA.DIST 以自由度 n 返回 (1 - CHISQ.DIST.RT(x))。當 alpha 為正整數(shù)時，GAMMA.DIST 也稱為愛爾朗 (Erlang) 分布。

案例

GAMMA.INV 函數(shù)

說明

返回伽瑪累積分布函數(shù)的反函數(shù)值。 如果 p = GAMMA.DIST(x,...)，則 GAMMA.INV(p,...) = x。 使用此函數(shù)可以研究有可能呈斜分布的變量。

用法

GAMMA.INV(probability,alpha,beta)

GAMMA.INV 函數(shù)用法具有下列參數(shù)：

Probability必需。 伽瑪分布相關的概率。Alpha必需。 分布參數(shù)。Beta必需。分布參數(shù)。如果 beta = 1，則 GAMMA.INV 返回標準伽瑪分布。

備注

如果任一參數(shù)為文本型，則 GAMMA.INV 返回 錯誤值 #VALUE!。如果 probability 0 或 probability 1，則 GAMMA.INV 返回 錯誤值 #NUM!。如果 alpha ≤ 0 或 beta ≤ 0，則 GAMMA.INV 返回 錯誤值 #NUM!。

如果已給定概率值，則 GAMMA.INV 使用 GAMMA.DIST(x, alpha, beta, TRUE) = probability 求解數(shù)值 x。 因此，GAMMA.INV 的精度取決于 GAMMA.DIST 的精度 GAMMA.INV 使用迭代搜索技術。 如果搜索在 64 次迭代之后沒有收斂，則函數(shù)返回錯誤值 #N/A。

案例

GAMMALN 函數(shù)

說明

返回伽瑪函數(shù)的自然對數(shù)，Γ(x)。

用法

GAMMALN(x)

GAMMALN 函數(shù)用法具有下列參數(shù)：

X必需。 要計算其 GAMMALN 的數(shù)值。

備注

如果 x 為非數(shù)值型，則 GAMMALN 返回 錯誤值 #VALUE!。如果 x ≤ 0，則 GAMMALN 返回 錯誤值 #NUM!。數(shù)字 e 的 GAMMALN(i) 次冪的返回值與 (i - 1)! 的結果相同，其中 i 為整數(shù)。GAMMALN 的公式為：

其中：

案例

GAMMALN.PRECISE 函數(shù)

說明

返回伽瑪函數(shù)的自然對數(shù)，Γ(x)。

用法

GAMMALN.PRECISE(x)

GAMMALN.PRECISE 函數(shù)用法具有下列參數(shù)：

X必需。 要計算其 GAMMALN.PRECISE 的數(shù)值。

備注

如果 x 為非數(shù)值型，則 GAMMALN.PRECISE 返回 錯誤值 #VALUE!。如果 x ≤ 0，則 GAMMALN.PRECISE 返回 錯誤值 #NUM!。數(shù)字 e 的 GAMMALN.PRECISE(i) 次冪返回與 (i-1)! 相同的結果，其中 i 為整數(shù)。GAMMALN.PRECISE 計算公式如下：

GAMMALN.PRECISE=LN(Γ(x))

其中：

案例

GAUSS 函數(shù)

說明

計算標準正態(tài)總體的成員處于平均值與平均值的 z 倍標準偏差之間的概率。

用法

GAUSS(z)

GAUSS 函數(shù)用法具有下列參數(shù)：

z 必需。返回一個數(shù)字。

備注

如果 z 不是有效數(shù)字，GAUSS 返回 錯誤值 #NUM!。如果 z 不是有效數(shù)據(jù)類型，GAUSS 返回 錯誤值 #VALUE!。因為 NORM.S.DIST(0,True) 總是返回 0.5，所以 GAUSS (z) 將總是等于 NORM.S.DIST(z,True) - 0.5。

案例

GEOMEAN 函數(shù)

說明

返回一組正數(shù)數(shù)據(jù)或正數(shù)數(shù)據(jù)區(qū)域的幾何平均值。 例如，可以使用 GEOMEAN 計算可變復利的平均增長率。

用法

GEOMEAN(number1, [number2], ...)

GEOMEAN 函數(shù)用法具有下列參數(shù)：

number1, number2, ...Number1 是必需的，后續(xù)數(shù)字是可選的。 用于計算平均值的 1 到 255 個參數(shù)。 也可以用單一數(shù)組或對某個數(shù)組的引用來代替用逗號分隔的參數(shù)。

備注

參數(shù)可以是數(shù)字或者是包?...

上次給大家分享了《2018年最全的excel函數(shù)大全14—統(tǒng)計函數(shù)（8）》，這次分享給大家統(tǒng)計函數(shù)（9）。

STDEVPA 函數(shù)

描述

根據(jù)作為參數(shù)（包括文字和邏輯值）給定的整個總體計算標準偏差。 標準偏差可以測量值在平均值（中值）附近分布的范圍大小。

用法

STDEVPA(value1, [value2], ...)

STDEVPA 函數(shù)用法具有下列參數(shù)：

Value1, value2, ...Value1 是必需的，后續(xù)值是可選的。 對應于總體的 1 到 255 個值。 也可以用單一數(shù)組或對某個數(shù)組的引用來代替用逗號分隔的參數(shù)。

備注

STDEVPA 假定其參數(shù)是整個總體。 如果數(shù)據(jù)代表總體樣本，則必須使用 STDEVA 計算標準偏差。對于規(guī)模很大的樣本，STDEVA 和 STDEVPA 返回近似值。此處標準偏差的計算使用“n”方法。參數(shù)可以是下列形式：數(shù)值；包含數(shù)值的名稱、數(shù)組或引用；數(shù)字的文本表示；或者引用中的邏輯值，例如 TRUE 和 FALSE。直接鍵入到參數(shù)列表中代表數(shù)字的文本被計算在內。包含 TRUE 的參數(shù)作為 1 來計算；包含文本或 FALSE 的參數(shù)作為 0（零）來計算。如果參數(shù)為數(shù)組或引用，則只使用其中的數(shù)值。 數(shù)組或引用中的空白單元格和文本值將被忽略。如果參數(shù)為錯誤值或為不能轉換為數(shù)字的文本，將會導致錯誤。如果要使計算不包括引用中的邏輯值和代表數(shù)字的文本，請使用 STDEVP 函數(shù)。STDEVPA 使用下面的公式：

其中 x 是樣本平均值 AVERAGE(value1,value2,…) 且 n 是樣本大小。

案例

STEYX 函數(shù)

描述

返回通過線性回歸法預測每個 x 的 y 值時所產生的標準誤差。 標準誤差是在針對單獨 x 預測 y 時的錯誤量的一個度量值。

用法

STEYX(known_y's, known_x's)

STEYX 函數(shù)用法具有下列參數(shù)：

Known_y's必需。 因變量數(shù)據(jù)點數(shù)組或區(qū)域。Known_x's必需。 自變量數(shù)據(jù)點數(shù)組或區(qū)域。

備注

參數(shù)可以是數(shù)字或者是包含數(shù)字的名稱、數(shù)組或引用。邏輯值和直接鍵入到參數(shù)列表中代表數(shù)字的文本被計算在內。如果數(shù)組或引用參數(shù)包含文本、邏輯值或空白單元格，則這些值將被忽略；但包含零值的單元格將計算在內。如果參數(shù)為錯誤值或為不能轉換為數(shù)字的文本，將會導致錯誤。如果 known_y's 和 known_x's 的數(shù)據(jù)點個數(shù)不同，函數(shù) STEYX 返回錯誤值 #N/A。如果 known_y's 和 known_x's 為空或其數(shù)據(jù)點個數(shù)小于三，則 STEYX 返回錯誤值 #p/0!。預測值 y 的標準誤差計算公式如下：

其中 x 和 y 是樣本平均值 AVERAGE(known_x's) 和 AVERAGE(known_y's)，且 n 是樣本大小。

案例

T.DIST 函數(shù)

描述

返回學生的左尾 t 分布。 t 分布用于小型樣本數(shù)據(jù)集的假設檢驗。 可以使用該函數(shù)代替 t 分布的臨界值表。

用法

T.DIST(x,deg_freedom, cumulative)

T.DIST 函數(shù)用法具有以下參數(shù)：

X必需。 需要計算分布的數(shù)值。Deg_freedom必需。 一個表示自由度數(shù)的整數(shù)。cumulative必需。 決定函數(shù)形式的邏輯值。 如果 cumulative 為 TRUE，則 T.DIST 返回累積分布函數(shù)；如果為 FALSE，則返回概率密度函數(shù)。

備注

如果任一參數(shù)是非數(shù)值的，則 T.DIST 返回 錯誤值 #VALUE!。如果 deg_freedom 1，則 T.DIST 返回一個錯誤值。 Deg_freedom 不得小于 1。

案例

T.DIST.2T 函數(shù)

描述

返回學生的雙尾 t 分布。

學生的 t 分布用于小樣本數(shù)據(jù)集的假設檢驗。 可以使用該函數(shù)代替 t 分布的臨界值表。

用法

T.DIST.2T(x,deg_freedom)

T.DIST.2T 函數(shù)用法具有以下參數(shù)：

X必需。 需要計算分布的數(shù)值。Deg_freedom必需。 一個表示自由度數(shù)的整數(shù)。

備注

如果任一參數(shù)是非數(shù)值的，則 T.DIST.2T 返回 錯誤值 #VALUE!。如果 deg_freedom 1，則 T.DIST.2T 返回 錯誤值 #NUM!。如果 x 0，則 T.DIST.2T 返回 錯誤值 #NUM!。

案例

T.DIST.RT 函數(shù)

描述

返回學生的右尾 t 分布。

t 分布用于小型樣本數(shù)據(jù)集的假設檢驗。 可以使用該函數(shù)代替 t 分布的臨界值表。

用法

T.DIST.RT(x,deg_freedom)

T.DIST.RT 函數(shù)用法具有以下參數(shù)：

X必需。 需要計算分布的數(shù)值。Deg_freedom必需。 一個表示自由度數(shù)的整數(shù)。

備注

如果任一參數(shù)是非數(shù)值的，則 T.DIST.RT 返回 錯誤值 #VALUE!。如果 deg_freedom 1，則 T.DIST.RT 返回 錯誤值 #NUM!。

案例

T.TEST 函數(shù)

描述

返回與學生 t-檢驗相關的概率。 使用函數(shù) T.TEST 確定兩個樣本是否可能來自兩個具有相同平均值的基礎總體。

用法

T.TEST(array1,array2,tails,type)

T.TEST 函數(shù)用法具有下列參數(shù)：

Array1必需。 第一個數(shù)據(jù)集。Array2必需。 第二個數(shù)據(jù)集。tails必需。 指定分布尾數(shù)。 如果 tails = 1，則 T.TEST 使用單尾分布。 如果 tails = 2，則 T.TEST 使用雙尾分布。Type必需。 要執(zhí)行的 t 檢驗的類型。

參數(shù)

備注

如果 array1 和 array2 的數(shù)據(jù)點個數(shù)不同，且 type = 1（成對），則 T.TEST 返回錯誤值 #N/A。參數(shù) tails 和 type 將被截尾取整。如果 tails 或 type 是非數(shù)值的，則 T.TEST 返回 錯誤值 #VALUE!。如果 tails 是除 1 或 2 之外的任何值，則 T.TEST 返回 錯誤值 #NUM!。T.TEST 使用 array1 和 array2 中的數(shù)據(jù)計算非負 t 統(tǒng)計值。 如果 tails=1，在假設 array1 和 array2 是具有相同平均值的總體中的樣本的情況下，T.TEST 返回較高 t 統(tǒng)計值的概率。 tails=2 時，T.TEST 返回的值是 tails=1 時返回值的兩倍，并對應假設“總體平均值相同”時較高的 t 統(tǒng)計絕對值的概率。

案例

TREND 函數(shù)

描述

返回線性趨勢值。 找到適合已知數(shù)組 known_y's 和 known_x's 的直線（用最小二乘法）。 返回指定數(shù)組 new_x's 在直線上對應的 y 值。

用法

TREND(known_y's, [known_x's], [new_x's], [const])

TREND 函數(shù)用法具有下列參數(shù)：

Known_y's必需。 關系表達式 y = mx + b 中已知的 y 值集合。如果數(shù)組 known_y's 在單獨一列中，則 known_x's 的每一列被視為一個獨立的變量。如果數(shù)組 known_y's 在單獨一行中，則 known_x's 的每一行被視為一個獨立的變量。Known_x's必需。 關系表達式 y = mx + b 中已知的可選 x 值集合。數(shù)組 known_x's 可以包含一組或多組變量。 如果僅使用一個變量，那么只要 known_x's 和 known_y's 具有相同的維數(shù)，則它們可以是任何形狀的區(qū)域。 如果用到多個變量，則 known_y's 必須為向量（即必須為一行或一列）。如果省略 known_x's，則假設該數(shù)組為 {1,2,3,...}，其大小與 known_y's 相同。New_x's必需。 需要函數(shù) TREND 返回對應 y 值的新 x 值。New_x's 與 known_x's 一樣，對每個自變量必須包括單獨的一列（或一行）。 因此，如果 known_y's 是單列的，known_x's 和 new_x's 應該有同樣的列數(shù)。 如果 known_y's 是單行的，known_x's 和 new_x's 應該有同樣的行數(shù)。如果省略 new_x's，將假設它和 known_x's 一樣。如果 known_x's 和 new_x's 都省略，將假設它們?yōu)閿?shù)組 {1,2,3,...}，大小與 known_y's 相同。Const可選。 一個邏輯值，用于指定是否將常量 b 強制設為 0。如果 const 為 TRUE 或省略，b 將按正常計算。如果 const 為 FALSE，b 將被設為 0（零），m 將被調整以使 y = mx。

備注

有關 Microsoft Excel 對數(shù)據(jù)進行直線擬合的詳細信息，請參閱 LINEST 函數(shù)?？梢允褂?TREND 函數(shù)計算同一變量的不同乘方的回歸值來擬合多項式曲線。 例如，假設 A 列包含 y 值，B 列含有 x 值。 可以在 C 列中輸入 x^2，在 D 列中輸入 x^3，等等，然后根據(jù) A 列，對 B 列到 D 列進行回歸計算。對于返回結果為數(shù)組的公式，必須以數(shù)組公式的形式輸入。

注意:在 Excel Online 中，不能創(chuàng)建數(shù)組公式。

當為參數(shù)（如 known_x's）輸入數(shù)組常量時，應當使用逗號分隔同一行中的數(shù)據(jù)，用分號分隔不同行中的數(shù)據(jù)。

案例

TRIMMEAN 函數(shù)

描述

返回數(shù)據(jù)集的內部平均值。 TRIMMEAN 計算排除數(shù)據(jù)集頂部和底部尾數(shù)中數(shù)據(jù)點的百分比后取得的平均值。 當您要從分析中排除無關的數(shù)據(jù)時，可以使用此函數(shù)。

用法

TRIMMEAN(array, percent)

TRIMMEAN 函數(shù)用法具有下列參數(shù)：

Array必需。 需要進行整理并求平均值的數(shù)組或數(shù)值區(qū)域。百分比必需。 從計算中排除數(shù)據(jù)點的分數(shù)。 例如，如果 percent=0.2，從 20 點 (20 x 0.2) 的數(shù)據(jù)集中剪裁 4 點：數(shù)據(jù)集頂部的 2 點和底部的 2 點。

備注

如果 percent 0 或 percent 1，則 TRIMMEAN 返回 錯誤值 #NUM!。函數(shù) TRIMMEAN 將排除的數(shù)據(jù)點數(shù)向下舍入到最接近的 2 的倍數(shù)。 如果 percent = 0.1，30 個數(shù)據(jù)點的 10% 等于 3 個數(shù)據(jù)點。 為了對稱，TRIMMEAN 排除數(shù)據(jù)集頂部和底部的單個值。

案例

VAR.P 函數(shù)

描述

計算基于整個樣本總體的方差（忽略樣本總體中的邏輯值和文本）。

用法

VAR.P(number1,[number2],...)

VAR.P 函數(shù)用法具有下列參數(shù)：

Number1必需。對應于總體的第一個數(shù)值參數(shù)。Number2, ...可選。對應于總體的 2 到 254 個數(shù)值參數(shù)。

備注

VAR.P 假定其參數(shù)是整個總體。如果數(shù)據(jù)代表總體樣本，請使用 VAR.S 計算方差。參數(shù)可以是數(shù)字或者是包含數(shù)字的名稱、數(shù)組或引用。邏輯值和直接鍵入到參數(shù)列表中代表數(shù)字的文本被計算在內。如果參數(shù)是一個數(shù)組或引用，則只計算其中的數(shù)字。數(shù)組或引用中的空白單元格、邏輯值、文本或錯誤值將被忽略。如果參數(shù)為錯誤值或為不能轉換為數(shù)字的文本，將會導致錯誤。如果要使計算包含引用中的邏輯值和代表數(shù)字的文本，請使用 VARPA 函數(shù)。函數(shù) VAR.P 的計算公式如下：

其中 x 為樣本平均值 AVERAGE(number1,number2,…)，n 為樣本大小。

案例

VAR.S 函數(shù)

描述

估算基于樣本的方差（忽略樣本中的邏輯值和文本）。

用法

VAR.S(number1,[number2],...)

VAR.S 函數(shù)用法具有下列參數(shù)：

Number1必需。對應于總體樣本的第一個數(shù)值參數(shù)。Number2, ...可選。對應于總體樣本的 2 到 254 個數(shù)值參數(shù)。

備注

函數(shù) VAR.S 假設其參數(shù)是樣本總體中的一個樣本。如果數(shù)據(jù)為整個樣本總體，則應使用函數(shù) VAR.P 來計算方差。參數(shù)可以是數(shù)字或者是包含數(shù)字的名稱、數(shù)組或引用。邏輯值和直接鍵入到參數(shù)列表中代表數(shù)字的文本被計算在內。如果參數(shù)是一個數(shù)組或引用，則只計算其中的數(shù)字。數(shù)組或引用中的空白單元格、邏輯值、文本或錯誤值將被忽略。如果參數(shù)為錯誤值或為不能轉換為數(shù)字的文本，將會導致錯誤。如果要使計算包含引用中的邏輯值和代表數(shù)字的文本，請使用 VARA 函數(shù)。函數(shù) VAR.S 的計算公式如下：

其中 x 為樣本平均值 AVERAGE(number1,number2,…)，n 為樣本大小。

案例

VARA 函數(shù)

描述

計算基于給定樣本的方差。

用法

VARA(value1, [value2], ...)

VARA 函數(shù)用法具有下列參數(shù)：

Value1, value2, ...Value1 是必需的，后續(xù)值是可選的。 這些是對應于總體樣本的 1 到 255 個數(shù)值參數(shù)。

備注

VARA 假定其參數(shù)是總體樣本。 如果數(shù)據(jù)代表的是樣本總體，則必須使用函數(shù) VARPA 來計算方差。參數(shù)可以是下列形式：數(shù)值；包含數(shù)值的名稱、數(shù)組或引用；數(shù)字的文本表示；或者引用中的邏輯值，例如 TRUE 和 FALSE。邏輯值和直接鍵入到參數(shù)列表中代表數(shù)字的文本被計算在內。包含 TRUE 的參數(shù)作為 1 來計算；包含文本或 FALSE 的參數(shù)作為 0（零）來計算。如果參數(shù)為數(shù)組或引用，則只使用其中的數(shù)值。 數(shù)組或引用中的空白單元格和文本值將被忽略。如果參數(shù)為錯誤值或為不能轉換為數(shù)字的文本，將會導致錯誤。如果要使計算不包括引用中的邏輯值和代表數(shù)字的文本，請使用 VAR 函數(shù)。函數(shù) VARA 的計算公式如下：

其中 x 是樣本平均值 AVERAGE(value1,value2,…) 且 n 是樣本大小。

案例

VARPA 函數(shù)

描述

根據(jù)整個總體計算方差。

用法

VARPA(value1, [value2], ...)

VARPA 函數(shù)用法具有下列參數(shù)：

Value1, value2, ...Value1 是必需的，后續(xù)值是可選的。 對應于總體的 1 到 255 個值參數(shù)。

備注

VARPA 假定其參數(shù)是整個總體。 如果數(shù)據(jù)代表總體樣本，則必須使用 VARA 計算方差。參數(shù)可以是下列形式：數(shù)值；包含數(shù)值的名稱、數(shù)組或引用；數(shù)字的文本表示；或者引用中的邏輯值，例如 TRUE 和 FALSE。邏輯值和直接鍵入到參數(shù)列表中代表數(shù)字的文本被計算在內。包含 TRUE 的參數(shù)作為 1 來計算；包含文本或 FALSE 的參數(shù)作為 0（零）來計算。如果參數(shù)為數(shù)組或引用，則只使用其中的數(shù)值。 數(shù)組或引用中的空白單元格和文本值將被忽略。如果參數(shù)為錯誤值或為不能轉換為數(shù)字的文本，將會導致錯誤。如果要使計算不包括引用中的邏輯值和代表數(shù)字的文本，請使用 VARP 函數(shù)。VARPA 的公式為：

其中 x 是樣本平均值 AVERAGE(value1,value2,…) 且 n 是樣本大小。

案例

WEIBULL.DIST 函數(shù)

描述

返回 Weibull 分布。 可以將該分布用于可靠性分析，例如計算設備出現(xiàn)故障的平均時間。

用法

WEIBULL.DIST(x,alpha,beta,cumulative)

WEIBULL.DIST 函數(shù)用法具有下列參數(shù)：

X必需。 用來計算函數(shù)的值。Alpha必需。 分布參數(shù)。Beta必需。 分布參數(shù)。cumulative必需。 確定函數(shù)的形式。

備注

如果 x、alpha 或 beta 是非數(shù)值的，則 WEIBULL.DIST 返回 錯誤值 #VALUE!。如果 x 0，則 WEIBULL.DIST 返回 錯誤值 #NUM!。如果 alpha ≤ 0 或 beta ≤ 0，則 WEIBULL.DIST 返回 錯誤值 #NUM!。Weibull 累積分布函數(shù)的公式為：

Weibull 概率密度函數(shù)的公式為：

當 alpha = 1，函數(shù) WEIBULL.DIST 返回指數(shù)分布：

案例

Z.TEST 函數(shù)

　　【IT168 技術】本文推薦一些免費的預測分析軟件，它們主要用于分析統(tǒng)計使用，機器學習和數(shù)據(jù)挖掘來尋找關于客戶行為，市場趨勢和原始數(shù)據(jù)集中其他領域的線索的相關性和模式。其中一些預測建模解決方案可通過許可，免費獲得開源或社區(qū)版本;其中一些預測分析軟件是商業(yè)版本的免費版或社區(qū)版，但提供的功能較少。

　　什么是預測分析軟件?

　　預測分析是高級分析的一個分支，用于對未來未知事件進行預測。預測分析使用數(shù)據(jù)挖掘，統(tǒng)計，建模，機器學習和人工智能等多種技術來分析當前數(shù)據(jù)，以預測未來!那么下面將為大家簡單介紹一下以下的20多款工具!

　　1.R Software Environment

　　R是用于統(tǒng)計計算和圖形的免費軟件，可運行在各種UNIX，Windows和Mac OS平臺上。R提供了廣泛的統(tǒng)計功能，如線性，非線性建模，經典統(tǒng)計測試，時間序列分析，分類，聚類和圖形技術。它也是高度可擴展的，提供數(shù)據(jù)操作，計算和圖形顯示，數(shù)據(jù)處理，數(shù)組計算，數(shù)據(jù)分析工具，包括條件，循環(huán)和許多其他功能的編程語言。語言主要用于統(tǒng)計方法論的研究，R為它們提供了一個開源的途徑，可以在R中產生精心設計的質量圖，包括數(shù)學符號和公式。

　　2.Dataiku

　　Dataiku Data Studio(DSS)是一個軟件平臺，匯總了從原始數(shù)據(jù)到生產應用程序所需的所有步驟和大數(shù)據(jù)工具。DSS分析數(shù)據(jù)通過簡單的界面操作，即可找到數(shù)據(jù)中的相關性和重要變量，并測試最佳擬合模型。DSS還可以將模型和預測值發(fā)布到各種其他目的地，例如ElasticSearch，F(xiàn)TP服務器和內部數(shù)據(jù)倉庫。

▲

　　3.Orange Data mining

　　Orange Data mining是一個開源的數(shù)據(jù)可視化和分析工具。數(shù)據(jù)挖掘是通過可視化編程或通過Python腳本完成的。Orange會記住這些選擇，提供最常用的組合，并智能地選擇要使用的小部件之間的通信通道。可以利用情節(jié)，條形圖，樹狀圖，網(wǎng)絡和熱圖來進行可視化。有機器學習的組件，可用于生物信息學和文本挖掘。該解決方案包含了用于數(shù)據(jù)分析的功能，并且在Orange中有超過100個小部件。

▲

　　4.RapidMiner

　　RapidMiner可作為數(shù)據(jù)分析的獨立應用程序使用，也可作為集成到專有產品中的數(shù)據(jù)挖掘引擎。RapidMiner提供數(shù)據(jù)挖掘和機器學習程序，包括數(shù)據(jù)加載和轉換，數(shù)據(jù)預處理，可視化，建模，評估和部署。RapidMiner是用Java編程語言編寫的。它采用的學習計劃和歸屬來自于Weka的機器學習環(huán)境，統(tǒng)計建模方案來自R Project。可用于文本挖掘，多媒體挖掘，功能設計，數(shù)據(jù)流挖掘的集成方法的發(fā)展，以及分布式數(shù)據(jù)挖掘。

　　RapidMiner v6.0仍然是開源的。RapidMiner的最新版本現(xiàn)在僅作為試用版或商業(yè)許可證提供。

▲

　　5.Anaconda

　　Anaconda是一個由Python支持的開放式數(shù)據(jù)科學平臺。 Anaconda的開源版本是Python和R的高性能版本，包括超過100種用于數(shù)據(jù)科學的最受歡迎的Python，R和Scala軟件包。還可以訪問超過720個軟件包，可以使用包含在Anaconda中的conda，包，從屬關系等。

▲

　　6.KNIME

　　KNIME桌面版是開源的，是用戶友好的數(shù)據(jù)訪問，數(shù)據(jù)轉換，初步調查，預測分析，可視化和報告的圖形工作臺。開放的集成平臺提供了1000多個模塊或節(jié)點。KNIME還提供了基于數(shù)據(jù)信息開發(fā)報告的能力，并將新見解的應用自動化回到生產系統(tǒng)。KNIME產品有KNIME Desktop，KNIME Professional，KNIME Team Space，KNIME Server和KNIME Cluster Execution。 KNIME Desktop可以自由下載到桌面?；贓clipse平臺的，并且有雙重許可證。非開源產品中的功能包括共享存儲庫，身份驗證，遠程執(zhí)行，調度，SOA集成和Web用戶界面。

▲

　　7.DMWay

　　DMWay使得預測分析更易于獲取并且價格合理。DMWay解決方案允許用戶在幾個小時或幾天而不是幾個月的時間內建立更好的預測模型，這可以適應任何行業(yè)。DMWay分析引擎可以提供最高級別的建模。分析引擎設計用于模擬經驗豐富的數(shù)據(jù)科學家采取的步驟，以建立準確有效的分析模型。DMWay評分引擎是建議企業(yè)尋求協(xié)助部署由分析引擎提供的預測分析結果的工具。

　　這個創(chuàng)新的解決方案是通過使用專家系統(tǒng)方法而不是“機器人”方法來實現(xiàn)的，模仿有經驗的數(shù)據(jù)科學家關于構建大規(guī)模預測模型的方式。DMWay評分引擎是為企業(yè)尋求協(xié)助部署由分析引擎提供的預測分析結果而推薦的工具。

▲

　　8.HP Haven Predictive Analytics

　　HP Distributed R是R語言的開源，可擴展和高性能平臺，可加速大規(guī)模機器學習，統(tǒng)計分析和圖形處理。Haven Predictive Analytics為HP Vertica提供數(shù)據(jù)加速和原生SQL支持。與市場領先的列式MPP數(shù)據(jù)庫的本地集成將總體數(shù)據(jù)訪問性能提高了5倍，并提供了一整套經過驗證的開箱即用的并行算法，以成熟的標準R算法生成準確一致的結果。是預測分析免費，完全兼容開源R語言和工具，并得到惠普企業(yè)的支持，并按每個節(jié)點定價。HP Haven Predictive Analytics由HP Vertica和Distributed R提供支持。Distributed R是基于與HP Labs開發(fā)的開放源代碼R語言的高性能分析引擎，可滿足要求最苛刻的大數(shù)據(jù)預測分析任務。分布式R提高了性能，并允許用戶分析比以前流行的R統(tǒng)計編程語言更大的數(shù)據(jù)集。

　　9.GraphLab Create

　　GraphLab Create是一個為開發(fā)人員和數(shù)據(jù)科學家構建的機器學習平臺，具有函數(shù)式編程技巧和對數(shù)據(jù)科學的一些基本理解。能夠輕松地實現(xiàn)從想法到生產的原型和規(guī)模。示例服務包括推薦系統(tǒng)，欺詐檢測或客戶流失預測器。開發(fā)人員和數(shù)據(jù)科學家能夠快速部署并輕松與其他應用程序集成。Discover版本提供免費的開發(fā)者許可證，并提供社區(qū)論壇支持。

▲

　　10.Lavastorm分析引擎

　　Lavastorm分析引擎公開版是一個易于使用，成本效益的工具，用于臨時發(fā)現(xiàn)和業(yè)務分析。公開版對于希望將分析處理能力放在桌面上的用戶非常理想，而且不需要大型數(shù)據(jù)處理能力，提供自動持續(xù)分析和協(xié)作功能。Lavastorm是一種可視化的數(shù)據(jù)發(fā)現(xiàn)解決方案，可以讓你快速整合不同的數(shù)據(jù)，輕松發(fā)現(xiàn)洞察，并持續(xù)檢測異常，異常值或模式。它為企業(yè)用戶提供自助服務能力，為IT用戶提供集成，分析和業(yè)務控制領域的快速開發(fā)能力。其功能包括從任何來源(包括大數(shù)據(jù)源)獲取，轉換，合并和豐富數(shù)據(jù)，而不需要大量建模，預先規(guī)劃或用腳本。可檢測數(shù)據(jù)問題，如完整性，格式不一致，準確性，自動化評估和清理流程。

▲

　　11.Actian Vector Express

　　Actian Analytics Platform(Express Hadoop SQL Edition)是Hadoop內部運行100%的免費社區(qū)版的端到端分析平臺。Actian分析平臺將Hadoop轉變?yōu)橐粋€高性能的分析平臺，使企業(yè)能夠通過分析來自多個來源的數(shù)據(jù)而無需采樣，從而提高預測和決策的準確性。Actian Express，Hadoop SQL Edition使用現(xiàn)有的Hadoop集群提供高速和性價比。Actian Vector Express是Actian分析平臺的免費社區(qū)版本，旨在提供快速簡單的方法來提高分析的性能。它建立在基于矢量的分析數(shù)據(jù)庫基礎之上，Actian Express提供很好的性能和性價比，并且需要更少的硬件，幾乎不需要調整。Actian Vector Express包括以下功能：分析工作臺 - 快速構建可視工作流程準備，轉換和分析數(shù)據(jù)，分析數(shù)據(jù)庫 - 在幾秒鐘內運行復雜的查詢反對數(shù)十億條記錄和管理控制臺。

▲

　　12.Scikit-learn

　　scikit-learn是簡單高效的數(shù)據(jù)挖掘和數(shù)據(jù)分析工具。它是Python中的機器學習庫，建立在NumPy，SciPy和matplotlib之上，它也是開源的。其特點包括分類，回歸，聚類，降維，模型選擇和預處理。

▲

　　13.微軟R

　　R是強大的，用于統(tǒng)計計算，機器學習和圖形的首選編程語言，并得到用戶，開發(fā)者的繁榮的社區(qū)支持。R家族包括，服務器，客戶端，SQL Server等服務。支持各種大數(shù)據(jù)統(tǒng)計，預測建模和機器學習功能，R Server支持基于開源R的全方位的分析探索，分析，可視化和建模。Microsoft R客戶端是免費的社區(qū)支持。

　　14.H2O.ai

　　H2O是一個開源的預測分析平臺。H2O用戶可以輕松地從微軟Excel和RStudio中探索和建模大數(shù)據(jù)，并將其與來自HDFS，S3，SQL和NoSQL數(shù)據(jù)源的數(shù)據(jù)連接起來。H2O講述了數(shù)據(jù)科學的語言，支持R，Python，Scala，Java和強大的REST API。業(yè)務應用程序由H2O的NanoFastTM評分引擎提供支持。包括：分布式算法和回歸樹，如GBM，隨機森林(RF)，廣義線性模型(GLM)，k-均值和主成分分析(PCA)。

　　15.Weka Data Mining

　　Weka是用于數(shù)據(jù)挖掘任務的機器學習算法的集合。算法可以直接應用于數(shù)據(jù)集，也可以從Java代碼調用。Weka包含用于數(shù)據(jù)處理，分類，回歸，聚類，關聯(lián)規(guī)則和可視化的工具。它也非常適合開發(fā)新的機器學習方案。 Weka是用Java編寫的，由新西蘭懷卡托大學開發(fā)。

▲

　　16.Apache Spark

　　Apache Spark是用于大規(guī)模數(shù)據(jù)處理的快速且通用的引擎。Spark需要一個集群管理器和一個分布式存儲系統(tǒng)。對于集群管理，Spark支持獨立(本地Spark集群)，Hadoop YARN或Apache Mesos。對于分布式存儲，Spark能與各種各樣的，包括Hadoop分布式文件系統(tǒng)(HDFS)，MAPRA文件系統(tǒng)(FS-MAPRA)，Cassandra，OpenStack Swift，亞馬遜S3，Kudu，或自定義解決方案實現(xiàn)對接。

　　17.Octave

　　Octave是數(shù)字計算的高級解釋語言。它提供了數(shù)據(jù)可視化和操縱的線性，非線性問題和圖形的解決方案。有許多可用于公共數(shù)值線性代數(shù)解決問題的工具，尋找非線性方程的根，集成普通功能，操縱多項式，及整合的普通微分和代數(shù)微分方程。

▲

　　18.Tanagra

　　Tanagra是一個用于學術和研究目的的免費數(shù)據(jù)挖掘軟件，它具有探索性數(shù)據(jù)分析，統(tǒng)計學習，機器學習和數(shù)據(jù)庫等多種數(shù)據(jù)挖掘方法的功能。支持標準的數(shù)據(jù)挖掘任務，如：可視化，描述性統(tǒng)計，實例選擇，特征選擇，功能建設，回歸，影響因子分析，聚類，分類和關聯(lián)規(guī)則的學習。

　　19.PredictionIO

　　PredictionIO是一款開源的機器學習服務器，可以讓軟件開發(fā)人員創(chuàng)建個性化，推薦和內容發(fā)現(xiàn)等預測功能。通過PredictionIO，預測這種特點的用戶行為，提供個性化的視頻，新聞，交易，廣告，職位，事件，文件，應用程序，餐館和匹配服務。

　　20.Apache Mahout

　　Apache Mahout提供可擴展的機器學習算法，主要集中在協(xié)作過濾，聚類和分類。許多實現(xiàn)使用Apache Hadoop平臺，包括成熟的Hadoop MapReduce算法，Scala，Spark和H2O算法。協(xié)同過濾：基于用戶的協(xié)同過濾，基于項目的協(xié)同過濾，矩陣分解與ALS，矩陣分解與隱式反饋和加權矩陣分解，SVD + ALS。

上次給大家分享了《2018年最全的excel函數(shù)大全14—統(tǒng)計函數(shù)（6）》，這次分享給大家統(tǒng)計函數(shù)（7）。

PERCENTRANK.INC 函數(shù)

描述

將某個數(shù)值在數(shù)據(jù)集中的排位作為數(shù)據(jù)集的百分比值返回，此處的百分比值的范圍為 0 到 1（含 0 和 1）。

此函數(shù)可用于計算值在數(shù)據(jù)集內的相對位置。 例如，可以使用 PERCENTRANK.INC 計算能力測試得分在所有測試得分中的位置。

用法

PERCENTRANK.INC(array,x,[significance])

PERCENTRANK.INC 函數(shù)用法具有下列參數(shù)：

Array必需。 定義相對位置的數(shù)值數(shù)組或數(shù)值數(shù)據(jù)區(qū)域。X必需。 需要得到其排位的值。significance可選。 用于標識返回的百分比值的有效位數(shù)的值。 如果省略，則 PERCENTRANK.INC 使用 3 位小數(shù) (0.xxx)。

備注

如果數(shù)組為空，則 PERCENTRANK.INC 返回 錯誤值 #NUM!。如果 significance 1，則 PERCENTRANK.INC 返回 錯誤值 #NUM!。如果數(shù)組里沒有與 x 相匹配的值，函數(shù) PERCENTRANK.INC 將進行插值以返回正確的百分比排位。

案例

PERMUT 函數(shù)

描述

返回可從數(shù)字對象中選擇的給定數(shù)目對象的排列數(shù)。 排列為對象或事件的任意集合或子集，內部順序很重要。 排列與組合不同，組合的內部順序并不重要。 此函數(shù)可用于彩票抽獎的概率計算。

用法

PERMUT(number, number_chosen)

PERMUT 函數(shù)用法具有下列參數(shù)：

Number必需。 表示對象個數(shù)的整數(shù)。Number_chosen必需。 表示每個排列中對象個數(shù)的整數(shù)。

備注

兩個參數(shù)將被截尾取整。如果 number 或 number_chosen 是非數(shù)值的，則 PERMUT 返回 錯誤值 #VALUE!。如果 number ≤ 0 或 number_chosen 0，則 PERMUT 返回 錯誤值 #NUM!。如果 number number_chosen，則 PERMUT 返回 錯誤值 #NUM!。排列數(shù)的計算公式如下：

案例

PERMUTATIONA 函數(shù)

描述

返回可從對象總數(shù)中選擇的給定數(shù)目對象（含重復）的排列數(shù)。

用法

PERMUTATIONA(number, number-chosen)

PERMUTATIONA 函數(shù)用法具有下列參數(shù)。

Number 必需。表示對象總數(shù)的整數(shù)。Number_chosen 必需。 表示每個排列中對象數(shù)目的整數(shù)。

PERMUTATIONA 使用下面的公式：

備注

兩個參數(shù)將被截尾取整。如果數(shù)字參數(shù)值無效，例如，當總數(shù)為零 (0) 但所選數(shù)目大于零 (0)，則 PERMUTATIONA 返回錯誤值 #NUM! 。如果數(shù)字參數(shù)使用的是非數(shù)值數(shù)據(jù)類型，則 PERMUTATIONA 返回錯誤值 #VALUE! 。

案例

PHI 函數(shù)

描述

返回標準正態(tài)分布的密度函數(shù)值。

用法

PHI(x)

PHI 函數(shù)用法具有下列參數(shù)。

X 必需。 X 是所需的標準正態(tài)分布密度值。

備注

如果 x 是無效的數(shù)值，則 PHI 返回錯誤值 #NUM! 。如果 x 使用的是無效的數(shù)據(jù)類型，如非數(shù)值，則 PHI 返回錯誤值 #VALUE! 。

案例

POISSON.DIST 函數(shù)

描述

返回泊松分布。 泊松分布的一個常見應用是預測特定時間內的事件數(shù)，例如 1 分鐘內到達收費停車場的汽車數(shù)。

用法

POISSON.DIST(x,mean,cumulative)

POISSON.DIST 函數(shù)用法具有下列參數(shù)：

X必需。 事件數(shù)。Mean必需。 期望值。cumulative必需。 一邏輯值，確定所返回的概率分布的形式。 如果 cumulative 為 TRUE，則 POISSON.DIST 返回發(fā)生的隨機事件數(shù)在零（含零）和 x（含 x）之間的累積泊松概率；如果為 FALSE，則 POISSON 返回發(fā)生的事件數(shù)正好是 x 的泊松概率密度函數(shù)。

備注

如果 x 不是整數(shù)，將被截尾取整。如果 x 或 mean 是非數(shù)值的，則 POISSON.DIST 返回 錯誤值 #VALUE!。如果 x 0，則 POISSON.DIST 返回 錯誤值 #NUM!。如果 mean 0，則 POISSON.DIST 返回 錯誤值 #NUM!。函數(shù) POISSON.DIST 的計算公式如下：

對于 cumulative = FALSE：

對于 cumulative = TRUE：

案例

PROB 函數(shù)

描述

返回區(qū)域中的數(shù)值落在指定區(qū)間內的概率。 如果未提供 upper_limit，則返回 x_range 中的值等于 lower_limit 的概率。

用法

PROB(x_range, prob_range, [lower_limit], [upper_limit])

PROB 函數(shù)用法具有下列參數(shù)：

X_range必需。 具有各自相應概率值的 x 數(shù)值區(qū)域。Prob_range必需。 與 x_range 中的值相關聯(lián)的一組概率值。Lower_limit可選。 要計算其概率的數(shù)值下界。Upper_limit可選。 要計算其概率的可選數(shù)值上界。

備注

如果 prob_range 中的任意值 ≤ 0 或 1，則 PROB 返回 錯誤值 #NUM!。如果 prob_range 中所有值之和不等于 1，則 PROB 返回 錯誤值 #NUM!。如果省略 upper_limit，函數(shù) PROB 返回值等于 lower_limit 時的概率。如果 x_range 和 prob_range 中的數(shù)據(jù)點個數(shù)不同，函數(shù) PROB 返回錯誤值 #N/A。

案例

QUARTILE.EXC 函數(shù)

描述

基于 0 到 1 之間（不包括 0 和 1）的百分點值返回數(shù)據(jù)集的四分位數(shù)。

用法

QUARTILE.EXC(array,quart)

QUARTILE.EXC 函數(shù)用法具有下列參數(shù)：

Array必需。 要求得四分位數(shù)值的數(shù)組或數(shù)字型單元格區(qū)域。Quart必需。 指定返回哪一個值。

備注

如果 array 為空，則 QUARTILE.EXC 返回 錯誤值 #NUM!。如果 quart 不為整數(shù)，將被截尾取整。如果 quart ≤ 0 或 quart ≥ 4，則 QUARTILE.EXC 返回 錯誤值 #NUM!。當 quart 分別等于 0（零）、2 和 4 時，MIN、MEDIAN 和 MAX 返回的值與函數(shù) QUARTILE.EXC 返回的值相同。

案例

QUARTILE.INC 函數(shù)

描述

根據(jù) 0 到 1 之間的百分點值（包含 0 和 1）返回數(shù)據(jù)集的四分位數(shù)。

四分位點通常用于銷售和調查數(shù)據(jù)，以對總體進行分組。 例如，您可以使用 QUARTILE.INC 查找總體中前 25% 的收入值。

用法

QUARTILE.INC(array,quart)

QUARTILE.INC 函數(shù)用法具有下列參數(shù)：

Array必需。 要求得四分位數(shù)值的數(shù)組或數(shù)字型單元格區(qū)域。Quart必需。 指定返回哪一個值。

參數(shù)

備注

如果 array 為空，則 QUARTILE.INC 返回 錯誤值 #NUM!。如果 quart 不為整數(shù)，將被截尾取整。如果 quart 0 或 quart 4，則 QUARTILE.INC 返回 錯誤值 #NUM!。當 quart 分別等于 0（零）、2 和 4 時，函數(shù) MIN、MEDIAN 和 MAX 返回的值與函數(shù) QUARTILE.INC 返回的值相同。

案例

以上是所有EXCEL的統(tǒng)計函數(shù)（7）描述用法以及使用案例。這次分享中存在哪些疑問或者哪些不足，可以在下面進行評論。如果覺得不錯，可以分享給你的朋友，讓大家一起掌握這些excel的統(tǒng)計函數(shù)（7）。

上次給大家分享了《2018年最全的excel函數(shù)大全14—統(tǒng)計函數(shù)（7）》，這次分享給大家統(tǒng)計函數(shù)（8）。

RANK.AVG 函數(shù)

描述

返回一列數(shù)字的數(shù)字排位：數(shù)字的排位是其大小與列表中其他值的比值；如果多個值具有相同的排位，則將返回平均排位。

用法

RANK.AVG(number,ref,[order])

RANK.AVG 函數(shù)用法具有下列參數(shù)：

Number必需。 要找到其排位的數(shù)字。Ref必需。 數(shù)字列表的數(shù)組，對數(shù)字列表的引用。 Ref 中的非數(shù)字值會被忽略。Order可選。 一個指定數(shù)字排位方式的數(shù)字。

備注

如果 Order 為 0（零）或省略，Excel 對數(shù)字的排位是基于 ref 為按降序排列的列表。如果 Order 不為零，Excel 對數(shù)字的排位是基于 ref 為按升序排列的列表。

案例

RANK.EQ 函數(shù)

描述

返回一列數(shù)字的數(shù)字排位。 其大小與列表中其他值相關；如果多個值具有相同的排位，則返回該組值的最高排位。

如果要對列表進行排序，則數(shù)字排位可作為其位置。

用法

RANK.EQ(number,ref,[order])

RANK.EQ 函數(shù)用法具有下列參數(shù)：

Number必需。 要找到其排位的數(shù)字。Ref必需。 數(shù)字列表的數(shù)組，對數(shù)字列表的引用。 Ref 中的非數(shù)字值會被忽略。Order可選。 一個指定數(shù)字排位方式的數(shù)字。

備注

如果 Order 為 0（零）或省略，Excel 對數(shù)字的排位是基于 Ref 為按降序排列的列表。如果 Order 不為零， Excel 對數(shù)字的排位是基于 Ref 為按照升序排列的列表。RANK.EQ 賦予重復數(shù)相同的排位。 但重復數(shù)的存在將影響后續(xù)數(shù)值的排位。 例如，在按升序排序的整數(shù)列表中，如果數(shù)字 10 出現(xiàn)兩次，且其排位為 5，則 11 的排位為 7（沒有排位為 6 的數(shù)值）。要達到某些目的，可能需要使用將關聯(lián)考慮在內的排位定義。 在上一案例中，可能需要將數(shù)字 10 的排位修改為 5.5。 這可以通過向 RANK.EQ 返回的值添加以下修正系數(shù)來實現(xiàn)。 此修正系數(shù)適用于按降序排序（order = 0 或省略）和按升序排序（order = 非零值）計算排位的情況。

關聯(lián)排位的修正系數(shù) =[COUNT(ref) + 1 – RANK.EQ(number, ref, 0) – RANK.EQ(number, ref, 1)]/2。

在工作簿中的案例中，RANK.EQ(A3,A2:A6,1) 等于3。 修正系數(shù)為 (5 + 1 – 2 – 3)/2 = 0.5，將關聯(lián)考慮在內的修訂排位為 3 + 0.5 = 3.5。 如果數(shù)字在 ref 中僅出現(xiàn)一次，此修正系數(shù)將為 0，因為無需調整 RANK.EQ 以進行關聯(lián)。

案例

RSQ 函數(shù)

描述

通過 known_y's 和 known_x's 中的數(shù)據(jù)點返回皮爾生乘積矩相關系數(shù)的平方。有關詳細信息，請參閱PEARSON 函數(shù)。R 平方值可以解釋為 y 方差可歸于 x 方差的比例。

用法

RSQ(known_y's,known_x's)

RSQ 函數(shù)用法具有下列參數(shù)：

Known_y's必需。 數(shù)組或數(shù)據(jù)點區(qū)域。Known_x's必需。 數(shù)組或數(shù)據(jù)點區(qū)域。

備注

參數(shù)可以是數(shù)字或者是包含數(shù)字的名稱、數(shù)組或引用。邏輯值和直接鍵入到參數(shù)列表中代表數(shù)字的文本被計算在內。如果數(shù)組或引用參數(shù)包含文本、邏輯值或空白單元格，則這些值將被忽略；但包含零值的單元格將計算在內。如果參數(shù)為錯誤值或為不能轉換為數(shù)字的文本，將會導致錯誤。如果 known_y's 和 known_x's 為空或其數(shù)據(jù)點個數(shù)不同，函數(shù) RSQ 返回錯誤值 #N/A。如果 known_y's 和 known_x's 只包含 1 個數(shù)據(jù)點，則 RSQ 返回 錯誤值 #p/0!。皮爾生(Pearson)乘積矩相關系數(shù) r 的計算公式如下：

其中 x 和 y 是樣本平均值 AVERAGE(known_x's) 和 AVERAGE(known_y's)。

RSQ 返回 r2，即相關系數(shù)的平方。

案例

SKEW 函數(shù)

描述

返回分布的偏斜度。 偏斜度表明分布相對于平均值的不對稱程度。 正偏斜度表明分布的不對稱尾部趨向于更多正值。 負偏斜度表明分布的不對稱尾部趨向于更多負值。

用法

SKEW(number1, [number2], ...)

SKEW 函數(shù)用法具有下列參數(shù)：

number1, number2, ...Number1 是必需的，后續(xù)數(shù)字是可選的。 用于計算偏斜度的 1 到 255 個參數(shù)。 也可以用單一數(shù)組或對某個數(shù)組的引用來代替用逗號分隔的參數(shù)。

備注

參數(shù)可以是數(shù)字或者是包含數(shù)字的名稱、數(shù)組或引用。邏輯值和直接鍵入到參數(shù)列表中代表數(shù)字的文本被計算在內。如果數(shù)組或引用參數(shù)包含文本、邏輯值或空白單元格，則這些值將被忽略；但包含零值的單元格將計算在內。如果參數(shù)為錯誤值或為不能轉換為數(shù)字的文本，將會導致錯誤。如果數(shù)據(jù)點個數(shù)少于三，或者樣本標準偏差為零，則 SKEW 返回 錯誤值 #p/0!。偏斜度公式的定義如下：

案例

SKEW.P 函數(shù)

描述

返回基于樣本總體的分布不對稱度：表明分布相對于平均值的不對稱程度。

用法

SKEW.P(number 1, [number 2],…)

SKEW.P 函數(shù)用法具有下列參數(shù)。

Number 1, number 2,…Number 1 是必選項，后續(xù)數(shù)字是可選項。Number 1、number 2、… 等是 1 至 254 個數(shù)字，或包含數(shù)字的名稱、數(shù)組或引用，您要以此函數(shù)獲得其樣本總體的分布不對稱度。

SKEW.P 使用下面的公式：

備注

參數(shù)可以是數(shù)字或者是包含數(shù)字的名稱、數(shù)組或引用。邏輯值和直接鍵入到參數(shù)列表中代表數(shù)字的文本被計算在內。如果數(shù)組或引用參數(shù)包含文本、邏輯值或空白單元格，則這些值將被忽略；但包含零 (0) 值的單元格將計算在內。SKEW.P 使用樣本總體的標準偏差，而非一個樣本。如果參數(shù)值無效，SKEW.P 返回錯誤值 #NUM!。如果參數(shù)使用的數(shù)據(jù)類型無效，SKEW.P 返回錯誤值 #VALUE!。如果數(shù)據(jù)點個數(shù)少于三，或者樣本標準偏差為零，SKEW.P 返回錯誤值 #p/0!。

案例

SLOPE 函數(shù)

描述

返回通過 known_y's 和 known_x's 中數(shù)據(jù)點的線性回歸線的斜率。 斜率為垂直距離除以線上任意兩個點之間的水平距離，即回歸線的變化率。

用法

SLOPE(known_y's, known_x's)

SLOPE 函數(shù)用法具有下列參數(shù)：

Known_y's必需。 數(shù)字型因變量數(shù)據(jù)點數(shù)組或單元格區(qū)域。Known_x's必需。 自變量數(shù)據(jù)點集合。

備注

參數(shù)可以是數(shù)字，或者是包含數(shù)字的名稱、數(shù)組或引用。如果數(shù)組或引用參數(shù)包含文本、邏輯值或空白單元格，則這些值將被忽略；但包含零值的單元格將計算在內。如果 known_y's 和 known_x's 為空或其數(shù)據(jù)點個數(shù)不同，函數(shù) SLOPE 返回錯誤值 #N/A。回歸直線的斜率計算公式如下：

其中 x 和 y 是樣本平均值 AVERAGE(known_x's) 和 AVERAGE(known_y's)。

SLOPE 和 INTERCEPT 函數(shù)中使用的下層算法與 LINEST 函數(shù)中使用的下層算法不同。 當數(shù)據(jù)未定且共線時，這些算法之間的差異會導致不同的結果。 例如，如果參數(shù) known_y's 的數(shù)據(jù)點為 0，參數(shù) known_x's 的數(shù)據(jù)點為 1：SLOPE 和 INTERCEPT 返回 錯誤 #p/0!。 SLOPE 和 INTERCEPT 的算法用于只查找一個答案，在這種情況下，還可能會出現(xiàn)多個答案。LINEST 會返回值 0。 LINEST 的算法用來返回共線數(shù)據(jù)的合理結果，在這種情況下至少可找到一個答案。

案例

SMALL 函數(shù)

描述

返回數(shù)據(jù)集中的第 k 個最小值。 使用此函數(shù)以返回在數(shù)據(jù)集內特定相對位置上的值。

用法

SMALL(array,k)

SMALL 函數(shù)用法具有下列參數(shù)：

Array必需。 需要找到第 k 個最小值的數(shù)組或數(shù)值數(shù)據(jù)區(qū)域。K必需。 要返回的數(shù)據(jù)在數(shù)組或數(shù)據(jù)區(qū)域里的位置（從小到大）。

備注

如果 array 為空，則 SMALL 返回 錯誤值 #NUM!。如果 k ≤ 0 或 k 超過了數(shù)據(jù)點個數(shù)，則 SMALL 返回 錯誤值 #NUM!。如果 n 為數(shù)組中的數(shù)據(jù)點個數(shù)，則 SMALL(array,1) 等于最小值，SMALL(array,n) 等于最大值。

案例

STANDARDIZE 函數(shù)

描述

返回由 mean 和 standard_dev 表示的分布的規(guī)范化值。

用法

STANDARDIZE(x, mean, standard_dev)

STANDARDIZE 函數(shù)用法具有下列參數(shù)：

X必需。 需要進行正態(tài)化的數(shù)值。Mean必需。分布的算術平均值。standard_dev必需。分布的標準偏差。

備注

如果 standard_dev ≤ 0，則 STANDARDIZE 返回錯誤值 #NUM!。規(guī)范化值的公式為：

案例

STDEV.P 函數(shù)

描述

計算基于以參數(shù)形式給出的整個樣本總體的標準偏差（忽略邏輯值和文本）。

標準偏差可以測量值在平均值（中值）附近分布的范圍大小。

用法

STDEV.P(number1,[number2],...)

STDEV.P 函數(shù)用法具有下列參數(shù)：

Number1必需。對應于總體的第一個數(shù)值參數(shù)。Number2, ...可選。對應于總體的 2 到 254 個數(shù)值參數(shù)。也可以用單一數(shù)組或對某個數(shù)組的引用來代替用逗號分隔的參數(shù)。

備注

STDEV.P 假定其參數(shù)是整個總體。如果數(shù)據(jù)代表總體樣本，請使用 STDEV 計算標準偏差。對于大樣本容量，函數(shù) STDEV.S 和 STDEV.P 計算結果大致相等。此處標準偏差的計算使用“n”方法。參數(shù)可以是數(shù)字或者是包含數(shù)字的名稱、數(shù)組或引用。邏輯值和直接鍵入到參數(shù)列表中代表數(shù)字的文本被計算在內。如果參數(shù)是一個數(shù)組或引用，則只計算其中的數(shù)字。數(shù)組或引用中的空白單元格、邏輯值、文本或錯誤值將被忽略。如果參數(shù)為錯誤值或為不能轉換為數(shù)字的文本，將會導致錯誤。如果要使計算包含引用中的邏輯值和代表數(shù)字的文本，請使用 STDEVPA 函數(shù)。函數(shù) STDEV.P 的計算公式如下：

其中 x 為樣本平均值 AVERAGE(number1,number2,…)，n 為樣本大小。

案例

STDEV.S 函數(shù)

描述

基于樣本估算標準偏差（忽略樣本中的邏輯值和文本）。

標準偏差可以測量值在平均值（中值）附近分布的范圍大小。

用法

STDEV.S(number1,[number2],...)

STDEV.S 函數(shù)用法具有下列參數(shù)：

Number1必需。對應于總體樣本的第一個數(shù)值參數(shù)。也可以用單一數(shù)組或對某個數(shù)組的引用來代替用逗號分隔的參數(shù)。Number2, ...可選。對應于總體樣本的 2 到 254 個數(shù)值參數(shù)。也可以用單一數(shù)組或對某個數(shù)組的引用來代替用逗號分隔的參數(shù)。

備注

STDEV.S 假設其參數(shù)是總體樣本。如果數(shù)據(jù)代表整個總體，請使用 STDEV.P 計算標準偏差。此處標準偏差的計算使用“n-1”方法。參數(shù)可以是數(shù)字或者是包含數(shù)字的名稱、數(shù)組或引用。邏輯值和直接鍵入到參數(shù)列表中代表數(shù)字的文本被計算在內。如果參數(shù)是一個數(shù)組或引用，則只計算其中的數(shù)字。數(shù)組或引用中的空白單元格、邏輯值、文本或錯誤值將被忽略。如果參數(shù)為錯誤值或為不能轉換為數(shù)字的文本，將會導致錯誤。如果要使計算包含引用中的邏輯值和代表數(shù)字的文本，請使用 STDEVA 函數(shù)。函數(shù) STDEV.S 的計算公式如下：

其中 x 為樣本平均值 AVERAGE(number1,number2,…)，n 為樣本大小。

案例

STDEVA 函數(shù)

描述

根據(jù)樣本估計標準偏差。 標準偏差可以測量值在平均值（中值）附近分布的范圍大小。

用法

STDEVA(value1, [value2], ...)

STDEVA 函數(shù)用法具有下列參數(shù)：

Value1, value2, ...Value1 是必需的，后續(xù)值是可選的。 對應于總體樣本的 1 到 255 個值。 也可以用單一數(shù)組或對某個數(shù)組的引用來代替用逗號分隔的參數(shù)。

備注

STDEVA 假定其參數(shù)是總體樣本。 如果數(shù)據(jù)代表整個總體，則必須使用 STDEVPA 計算標準偏差。此處標準偏差的計算使用“n-1”方法。參數(shù)可以是下列形式：數(shù)值；包含數(shù)值的名稱、數(shù)組或引用；數(shù)字的文本表示；或者引用中的邏輯值，例如 TRUE 和 FALSE。包含 TRUE 的參數(shù)作為 1 來計算；包含文本或 FALSE 的參數(shù)作為 0（零）來計算。如果參數(shù)為數(shù)組或引用，則只使用其中的數(shù)值。 數(shù)組或引用中的空白單元格和文本值將被忽略。如果參數(shù)為錯誤值或為不能轉換為數(shù)字的文本，將會導致錯誤。如果要使計算不包括引用中的邏輯值和代表數(shù)字的文本，請使用 STDEV 函數(shù)。STDEVA 使用下面的公式：

其中 x 是樣本平均值 AVERAGE(value1,value2,…) 且 n 是樣本大小。

案例

以上是所有EXCEL的統(tǒng)計函數(shù)（8）描述用法以及使用案例。這次分享中存在哪些疑問或者哪些不足，可以在下面進行評論。如果覺得不錯，可以分享給你的朋友，讓大家一起掌握這些excel的統(tǒng)計函數(shù)（8）。

1、 年度經營計劃

年度經營計劃是營業(yè)部編制的、并經過公司審核同意的、在下一年度實施的、指導營業(yè)部業(yè)績、人力和其它經營活動目標和實現(xiàn)目標的途徑及措施。年度經營計劃是企業(yè)戰(zhàn)略的實施和落實，是戰(zhàn)略規(guī)劃第1年的具體實施，其目的是為了實現(xiàn)戰(zhàn)略目標，最終實現(xiàn)企業(yè)長遠發(fā)展。

年度經營計劃是圍繞已確定的戰(zhàn)略目標編制的，是戰(zhàn)略規(guī)劃的行動實施，是對企業(yè)戰(zhàn)略規(guī)劃中第一年目標的分解落實，年度經營計劃是企業(yè)在本年度內的運營指南，年度經營計劃是企業(yè)及各部門對企業(yè)進行日常監(jiān)管和分析的依據(jù)，年度經營計劃是對企業(yè)進行年度業(yè)績考評的依據(jù)。

1.1、經營計劃需求

1.2、經營計劃立項

1.3、經營計劃預算

1.4、經營計劃跟蹤

服務器過去半年間發(fā)生了四大變化，使傳統(tǒng)數(shù)據(jù)中心在管理方式和智能運維方面發(fā)生改變；超融合設備在私有云領域成為流行，HPC高性能計算與機器學習相互成就，服務器品牌之間的關系也發(fā)生了微妙變化。

圖片來自samsung

開源改變數(shù)據(jù)中心管理

傳統(tǒng)企業(yè)IT系統(tǒng)中最不智能的部分，需要人工處理很多數(shù)據(jù)，甚至機器宕機都要人工取數(shù)據(jù)中心現(xiàn)場檢查，更不能實現(xiàn)提前預知數(shù)據(jù)中心可能會出現(xiàn)的問題。

實際上，人們對數(shù)據(jù)中心的改造一直在繼續(xù)，但卻沒有突破性的改變。早在2011年，硬件的世界還沒有那么開放的時候，F(xiàn)cacebook作為社交媒體巨頭，數(shù)據(jù)量成幾何倍數(shù)增長，F(xiàn)acebook對于數(shù)據(jù)中心的需求越來越大，F(xiàn)acebook喬納森·海利格(Jonathan Heiliger)首次向扎爾伯格提出了OCP（開放計算項目）的主張。

開源改變了數(shù)據(jù)中心硬件的結構，也改變了軟件和運維的模式。數(shù)據(jù)中心Imanager、Easy數(shù)據(jù)中心IM、Ansible Tower、Puppet Enterprise等都是開源的數(shù)據(jù)中心自動化管理軟件。這些開源軟件和DevOps改變了數(shù)據(jù)中心的管理場景和流程。

高性能計算融合機器學習

高性能計算已經成為行業(yè)內新標準，但高性能計算長期遇到的問題是：技術與產業(yè)結合弱的問題。而在過去半年，我們發(fā)現(xiàn)，將高性能計算與機器學習相融合，是一條不錯的發(fā)展路徑。而且AI不同于云計算只做水、電一樣的基礎設施，而是要做創(chuàng)新、要做賦能。

人工智能行業(yè)似乎每天都在飛速向前發(fā)展，語音識別能力不斷增強，圖片識別精準度不斷提升，一片欣欣向榮景象。但是如今的AI和機器學習卻面臨著幾個嚴重的問題和挑戰(zhàn)，即人才的缺乏和從技術轉向產品產出價值的難題。

人才缺乏同樣是高性能計算面臨的難題，而這道難題的答案只能由時間來給出。另外一個問題的答案則需要賦能機器學習，通過與其他技術相融合，產出價值。

服務器突破傳統(tǒng)品牌

在品牌服務器中，似乎已經大局已定。但是在過去半年中，發(fā)布了AI服務器等高密度、場景化的服務器，突破了傳統(tǒng)品牌所能給予的力量。

而在傳統(tǒng)服務器市場中，已經占據(jù)國內大部分市場份額的幾大服務器品牌商間，國內服務器品牌也開始大力布局國際市場，大有顛覆現(xiàn)有格局之勢。

超融合獨角獸待定

超融合架構在今年著實火了一把，想從后臺到前端一條龍包攬，如今看來超融合將成為未來企業(yè)必定會選擇的發(fā)展方向，形成一個由IT基礎設施提供商搭建了一個包含虛擬化、軟件、硬件、應用的完整的解決方案。

過去半年見，國外原存儲大廠、國內云計算相關企業(yè)、存儲相關企業(yè)、計算硬件供應商均發(fā)布了自己的超融合產品。有人說此時入局已晚，但筆者認為超融合未來可期，超融合獨角獸待定。

對于企業(yè)級IT小白而言，貿然進入超融合領域并不可取，但如果IT廠商擁有超融合相關技術基礎入局不晚。企業(yè)級IT是一個門檻較高的行業(yè)，而超融合技術脫胎于對基礎資源的整合，如果一家擁有深厚IT底蘊的公司，自身擁有深厚的IT基礎設施研發(fā)技術和經驗，同時擁有完善的外圍生態(tài)圈，例如虛擬化、ISV等合作伙伴。

白牌壓制品牌

一個成熟的市場往往不會出現(xiàn)變革性的動蕩，而企業(yè)及硬件就是這樣的市場環(huán)境。服務器品牌市場足夠成熟，雖然受到政策影響，依然變化不大。超融合設備出現(xiàn)了很多新的品牌加入，但是距離角逐出超融合領域的獨角獸，依然需要有很長的市場去考驗。hpc市場由于技術門檻比較高，建立了較高壁壘， 市場變化不大。

值得一提的是，白牌服務器勢頭很足壓制得品牌服務越來越難，甚至需要通過壓價來提升市場占有率。在這種背景下，傳統(tǒng)服務器廠商更加注重市場需求，力求突破傳統(tǒng)品牌。

結束語

半年的時間對于服務器變化來說應該不大，以上4點變化對2018年上半年來說已經足夠了。