Μετάβαση στο κύριο περιεχόμενο
Υποστήριξη
Είσοδος με Microsoft
Είσοδος ή δημιουργία λογαριασμού.
Γεια σας,
Επιλέξτε διαφορετικό λογαριασμό.
Έχετε πολλούς λογαριασμούς
Επιλέξτε τον λογαριασμό με τον οποίο θέλετε να εισέλθετε.

Στο Excel 2013 ή νεότερη έκδοση, μπορείτε να δημιουργήσετε μοντέλα δεδομένων που περιέχουν εκατομμύρια γραμμές και, στη συνέχεια, να εκτελέσετε ισχυρή ανάλυση δεδομένων σε αυτά τα μοντέλα. Τα μοντέλα δεδομένων μπορούν να δημιουργηθούν με ή χωρίς το Power Pivot πρόσθετο για την υποστήριξη πολλών Συγκεντρωτικών Πινάκων, γραφημάτων και απεικονίσεων του Power View στο ίδιο βιβλίο εργασίας.

Σημείωση: Αυτό το άρθρο περιγράφει τα μοντέλα δεδομένων στο Excel 2013. Ωστόσο, οι ίδιες δυνατότητες μοντελοποίησης και Power Pivot που παρουσιάστηκαν για πρώτη φορά στο Excel 2013 ισχύουν και για το Excel 2016. Στην πραγματικότητα υπάρχει μικρή διαφορά μεταξύ αυτών των εκδόσεων Excel.

Παρόλο που μπορείτε εύκολα να δημιουργήσετε τεράστια μοντέλα δεδομένων σε Excel, υπάρχουν πολλοί λόγοι για να μην το κάνετε. Πρώτα, τα μεγάλα μοντέλα που περιέχουν πλήθος πινάκων και στηλών υπερκαλύπτονται για τις περισσότερες αναλύσεις και αποτελούν μια αντιπαραγωγική λίστα πεδίων. Δεύτερον, τα μεγάλα μοντέλα χρησιμοποιούν πολύτιμο μνήμη, επηρεάζοντας αρνητικά άλλες εφαρμογές και αναφορές που έχουν τους ίδιους πόρους συστήματος. Τέλος, στο Microsoft 365, τόσο το SharePoint Online όσο και το Excel Web App περιορίζουν το μέγεθος ενός αρχείου Excel στα 10 MB. Στα μοντέλα δεδομένων βιβλίου εργασίας που περιέχουν εκατομμύρια γραμμές, το όριο των 10 MB θα είναι αρκετά γρήγορο. Ανατρέξτε στο θέμα Προδιαγραφές και όρια μοντέλου δεδομένων.

Σε αυτό το άρθρο, θα μάθετε πώς μπορείτε να δημιουργήσετε ένα αυστηρά δομημένο μοντέλο με το οποίο μπορείτε να εργαστείτε ευκολότερα και χρησιμοποιεί λιγότερη μνήμη. Εάν αφιερώσετε χρόνο για να μάθετε τις βέλτιστες πρακτικές σε αποτελεσματική σχεδίαση μοντέλου, θα επωφεληθείτε από κάθε μοντέλο που δημιουργείτε και χρησιμοποιείτε, είτε το προβάλλετε στο Excel 2013, το Microsoft 365 SharePoint Online, σε έναν διακομιστή Office Online ή στο SharePoint 2013.

Εξετάστε το ενδεχόμενο να εκτελέσετε επίσης τη βελτιστοποίηση μεγέθους βιβλίου εργασίας. Αναλύει το βιβλίο εργασίας του Excel και, εάν είναι δυνατό, το συμπιέζει περαιτέρω. Κάντε λήψη της βελτιστοποίησης μεγέθους βιβλίου εργασίας.

Σε αυτό το άρθρο

Οι αναλογίες συμπίεσης και ο μηχανισμός ανάλυσης στη μνήμη

Τα μοντέλα δεδομένων σε Excel χρησιμοποιούν το μηχανισμό ανάλυσης μνήμης για την αποθήκευση δεδομένων στη μνήμη. Ο μηχανισμός εφαρμόζει ισχυρές τεχνικές συμπίεσης για να μειώσει τις απαιτήσεις χώρου αποθήκευσης, συρρικνώνοντας ένα σύνολο αποτελεσμάτων μέχρι να αποκτήσει ένα κλάσμα του αρχικού μεγέθους του.

Κατά μέσο όρο, μπορείτε να αναμένετε ότι ένα μοντέλο δεδομένων θα είναι 7 έως 10 φορές μικρότερο από τα ίδια δεδομένα στο σημείο προέλευσής του. Για παράδειγμα, εάν εισάγετε 7 MB δεδομένων από μια βάση δεδομένων SQL Server, το μοντέλο δεδομένων σε Excel θα μπορούσε εύκολα να είναι 1 MB ή λιγότερο. Ο βαθμός συμπίεσης που επιτυγχάνεται στην πραγματικότητα εξαρτάται κυρίως από τον αριθμό των μοναδικών τιμών σε κάθε στήλη. Όσο πιο μοναδικές τιμές τόσο περισσότερη μνήμη απαιτείται για την αποθήκευσή τους.

Γιατί συζητάμε για συμπίεση και μοναδικές τιμές; Επειδή η δημιουργία ενός αποτελεσματικού μοντέλου που ελαχιστοποιεί τη χρήση της μνήμης αφορά τη μεγιστοποίηση της συμπίεσης και ο ευκολότερος τρόπος για να το κάνετε αυτό είναι να απαλλαγείτε από τυχόν στήλες που δεν χρειάζεστε πραγματικά, ειδικά εάν αυτές οι στήλες περιλαμβάνουν μεγάλο αριθμό μοναδικών τιμών.

Σημείωση: Οι διαφορές στις απαιτήσεις χώρου αποθήκευσης για μεμονωμένες στήλες μπορεί να είναι πάρα πολύ μεγάλες. Σε ορισμένες περιπτώσεις, είναι καλύτερο να έχετε πολλές στήλες με χαμηλό αριθμό μοναδικών τιμών αντί για μία στήλη με υψηλό αριθμό μοναδικών τιμών. Η ενότητα σχετικά με τις βελτιστοποιήσεις datetime καλύπτει αυτή την τεχνική με λεπτομέρεια.

Τίποτα δεν κερδίζει μια μη ύπαρξη στήλης για χαμηλή χρήση της μνήμης

Η στήλη με τις περισσότερες απαιτήσεις μνήμης είναι αυτή που δεν εισαγάγατε ποτέ. Εάν θέλετε να δημιουργήσετε ένα αποτελεσματικό μοντέλο, δείτε κάθε στήλη και αναρωτηθείτε εάν συμβάλλει στην ανάλυση που θέλετε να εκτελέσετε. Αν δεν το υποστηρίζει ή δεν είστε βέβαιοι, μην το ξεχάσετε. Μπορείτε να προσθέσετε νέες στήλες αργότερα, εάν τις χρειάζεστε.

Δύο παραδείγματα στηλών που πρέπει πάντα να εξαιρούνται

Το πρώτο παράδειγμα αφορά δεδομένα που προέρχονται από μια αποθήκη δεδομένων. Σε μια αποθήκη δεδομένων, είναι συνηθισμένο να βρίσκετε τεχνουργήματα διεργασιών ETL που φορτώνουν και ανανεώνουν δεδομένα στην αποθήκη. Στήλες όπως "ημερομηνία δημιουργίας", "ημερομηνία ενημέρωσης" και "Εκτέλεση ETL" δημιουργούνται κατά τη φόρτωση των δεδομένων. Καμία από αυτές τις στήλες δεν απαιτείται στο μοντέλο και δεν πρέπει να είναι επιλεγμένη κατά την εισαγωγή δεδομένων.

Το δεύτερο παράδειγμα περιλαμβάνει την παράλειψη της στήλης πρωτεύοντος κλειδιού κατά την εισαγωγή ενός πίνακα δεδομένων.

Πολλοί πίνακες, συμπεριλαμβανομένων των πινάκων δεδομένων, έχουν πρωτεύοντα κλειδιά. Για τους περισσότερους πίνακες, όπως αυτούς που περιέχουν δεδομένα πελατών, υπαλλήλων ή πωλήσεων, θα θέλετε το πρωτεύον κλειδί του πίνακα, ώστε να μπορείτε να το χρησιμοποιήσετε για να δημιουργήσετε σχέσεις στο μοντέλο.

Οι πίνακες δεδομένων είναι διαφορετικοί. Σε έναν πίνακα δεδομένων, το πρωτεύον κλειδί χρησιμοποιείται για να αναγνωρίζεται μοναδικά κάθε γραμμή. Ενώ είναι απαραίτητο για σκοπούς κανονικοποίησης, είναι λιγότερο χρήσιμο σε ένα μοντέλο δεδομένων όπου θέλετε να χρησιμοποιηθούν μόνο αυτές οι στήλες για σκοπούς ανάλυσης ή για να δημιουργήσετε σχέσεις πινάκων. Για τον λόγο αυτό, κατά την εισαγωγή από έναν πίνακα δεδομένων, μην συμπεριλάβετε το πρωτεύον κλειδί του. Τα πρωτεύοντα κλειδιά σε έναν πίνακα δεδομένων καταναλώνουν ελάχιστο χώρο στο μοντέλο, αλλά δεν παρέχουν κανένα πλεονέκτημα, καθώς δεν μπορούν να χρησιμοποιηθούν για τη δημιουργία σχέσεων.

Σημείωση: Στις αποθήκες δεδομένων και τις πολυδιάστατες βάσεις δεδομένων, οι μεγάλοι πίνακες που αποτελούνται κυρίως από αριθμητικά δεδομένα αναφέρονται συχνά ως "πίνακες δεδομένων". Οι πίνακες δεδομένων περιλαμβάνουν συνήθως δεδομένα επιχειρηματικών επιδόσεων ή συναλλαγών, όπως σημεία δεδομένων πωλήσεων και κόστους που συναθροίζονται και ευθυγραμμίζονται με τις εταιρικές μονάδες, τα προϊόντα, τα τμήματα της αγοράς, τις γεωγραφικές περιοχές και ούτω καθεξής. Όλες οι στήλες σε έναν πίνακα δεδομένων που περιέχουν εταιρικά δεδομένα ή που μπορούν να χρησιμοποιηθούν για την παραπομπή δεδομένων που είναι αποθηκευμένα σε άλλους πίνακες θα πρέπει να συμπεριληφθούν στο μοντέλο για την υποστήριξη της ανάλυσης δεδομένων. Η στήλη που θέλετε να εξαιρέσετε είναι η στήλη πρωτεύοντος κλειδιού του πίνακα δεδομένων, η οποία αποτελείται από μοναδικές τιμές που υπάρχουν μόνο στον πίνακα δεδομένων και πουθενά αλλού. Επειδή οι πίνακες δεδομένων είναι τόσο τεράστιοι, ορισμένα από τα μεγαλύτερα κέρδη στην απόδοση μοντέλου προέρχονται από την εξαίρεση των γραμμών ή των στηλών από τους πίνακες δεδομένων.

Πώς μπορείτε να αποκλείσετε περιττές στήλες

Τα αποτελεσματικά μοντέλα περιέχουν μόνο τις στήλες που θα χρειαστείτε πραγματικά στο βιβλίο εργασίας σας. Εάν θέλετε να ελέγξετε ποιες στήλες περιλαμβάνονται στο μοντέλο, θα πρέπει να χρησιμοποιήσετε τον Οδηγό εισαγωγής πίνακα στο πρόσθετο Power Pivot για να εισαγάγετε τα δεδομένα και όχι το παράθυρο διαλόγου "Εισαγωγή δεδομένων" στο Excel.

Όταν ξεκινάτε τον "Οδηγό εισαγωγής πίνακα", επιλέγετε τους πίνακες που θέλετε να εισαγάγετε.

Οδηγός εισαγωγής πίνακα στο πρόσθετο PowerPivot

Για κάθε πίνακα, μπορείτε να κάνετε κλικ στο κουμπί Προεπισκόπηση & φίλτρο και να επιλέξετε τα τμήματα του πίνακα που χρειάζεστε πραγματικά. Συνιστάται να καταργήσετε πρώτα την επιλογή όλων των στηλών και, στη συνέχεια, να ελέγξετε τις στήλες που θέλετε, αφού εξετάσετε εάν απαιτούνται για την ανάλυση.

Παράθυρο προεπισκόπησης στον Οδηγό εισαγωγής πίνακα

Τι γίνεται με το φιλτράρισμα μόνο των απαραίτητων γραμμών;

Πολλοί πίνακες σε εταιρικές βάσεις δεδομένων και αποθήκες δεδομένων περιέχουν ιστορικά δεδομένα, αθροποιημένα στη διάρκεια μεγάλων χρονικών περιόδων. Επιπλέον, μπορεί να διαπιστώσετε ότι οι πίνακες που σας ενδιαφέρουν περιέχουν πληροφορίες για περιοχές της επιχείρησης που δεν απαιτούνται για τη συγκεκριμένη ανάλυσή σας.

Χρησιμοποιώντας τον Οδηγό εισαγωγής πίνακα, μπορείτε να φιλτράρετε ιστορικά ή μη σχετικά δεδομένα και, επομένως, να εξοικονομήσετε πολύ χώρο στο μοντέλο. Στην παρακάτω εικόνα, χρησιμοποιείται ένα φίλτρο ημερομηνίας για την ανάκτηση μόνο γραμμών που περιέχουν δεδομένα για το τρέχον έτος, με εξαίρεση τα ιστορικά δεδομένα που δεν θα είναι απαραίτητα.

Παράθυρο φίλτρου στον Οδηγό εισαγωγής πίνακα

Τι γίνεται εάν χρειαζόμαστε τη στήλη; μπορούμε ακόμα να μειώσουμε το κόστος του χώρου;

Υπάρχουν μερικές πρόσθετες τεχνικές που μπορείτε να εφαρμόσετε για να μετατρέψετε μια στήλη σε καλύτερη επιλογή για συμπίεση. Να θυμάστε ότι το μόνο χαρακτηριστικό της στήλης που επηρεάζει τη συμπίεση είναι ο αριθμός των μοναδικών τιμών. Σε αυτή την ενότητα, θα μάθετε πώς μπορούν να τροποποιηθούν ορισμένες στήλες για να μειωθεί ο αριθμός των μοναδικών τιμών.

Τροποποίηση στηλών Ημερομηνίας/Ώρας

Σε πολλές περιπτώσεις, οι στήλες Datetime καταλαμβάνουν πολύ χώρο. Ευτυχώς, υπάρχουν πολλοί τρόποι για να μειώσετε τις απαιτήσεις χώρου αποθήκευσης για αυτόν τον τύπο δεδομένων. Οι τεχνικές θα διαφέρουν ανάλογα με τον τρόπο με τον οποίο χρησιμοποιείτε τη στήλη και το επίπεδο άνεσής σας στη δημιουργία ερωτημάτων SQL.

Οι στήλες ημερομηνίας/ώρας περιλαμβάνουν ένα τμήμα ημερομηνίας και μια ώρα. Όταν αναρωτηθείτε εάν χρειάζεστε μια στήλη, υποβάλετε την ίδια ερώτηση πολλές φορές για μια στήλη Datetime:

  • Χρειάζομαι το χρονικό διάστημα;

  • Χρειάζομαι το χρονικό διάστημα στο επίπεδο των ωρών; Λεπτά? Δευτερόλεπτα? Millisecond?

  • Έχω πολλές στήλες Datetime επειδή θέλω να υπολογίσω τη διαφορά μεταξύ τους ή απλώς για να συγκεντρώσω τα δεδομένα κατά έτος, μήνα, τρίμηνο και ούτω καθεξής.

Ο τρόπος απάντησης σε κάθε μία από αυτές τις ερωτήσεις καθορίζει τις επιλογές που έχετε για τις συναλλαγές σας με τη στήλη Datetime.

Όλες αυτές οι λύσεις απαιτούν τροποποίηση ενός ερωτήματος SQL. Για να διευκολύνετε την τροποποίηση του ερωτήματος, θα πρέπει να φιλτράρετε τουλάχιστον μία στήλη σε κάθε πίνακα. Φιλτράροντας μια στήλη, αλλάζετε την κατασκευή του ερωτήματος από συντομευμένη μορφή (SELECT *) σε μια πρόταση SELECT που περιλαμβάνει πλήρως προσδιορισμένα ονόματα στηλών, τα οποία είναι πολύ πιο εύκολο να τροποποιηθούν.

Ας ρίξουμε μια ματιά στα ερωτήματα που έχουν δημιουργηθεί για εσάς. Από το παράθυρο διαλόγου Ιδιότητες πίνακα, μπορείτε να μεταβείτε στο πρόγραμμα επεξεργασίας ερωτήματος και να δείτε το τρέχον ερώτημα SQL για κάθε πίνακα.

Κορδέλα στο παράθυρο του PowerPivot όπου εμφανίζεται η εντολή "Ιδιότητες πίνακα"

Από τις Ιδιότητες πίνακα, επιλέξτε Πρόγραμμα επεξεργασίας ερωτήματος.

Ανοίξτε το Πρόγραμμα επεξεργασίας ερωτήματος από το παράθυρο διαλόγου "Ιδιότητες πίνακα"

Το Πρόγραμμα επεξεργασίας ερωτήματος εμφανίζει το SQL ερώτημα που χρησιμοποιείται για τη συμπλήρωση του πίνακα. Εάν έχετε φιλτράρει οποιαδήποτε στήλη κατά την εισαγωγή, το ερώτημα περιλαμβάνει πλήρως προσδιορισμένα ονόματα στηλών:

Ερώτημα SQL που χρησιμοποιείται για την ανάκτηση των δεδομένων

Αντίθετα, εάν έχετε εισαγάγει έναν πίνακα στο σύνολό του, χωρίς να επιλέξετε κάποια στήλη ή να εφαρμόσετε φίλτρο, θα δείτε το ερώτημα ως "Επιλογή * από", το οποίο θα είναι πιο δύσκολο να τροποποιηθεί:

Ερώτημα SQL που χρησιμοποιεί την προεπιλεγμένη, συντομότερη σύνταξη

Τροποποίηση του ερωτήματος SQL

Τώρα που γνωρίζετε πώς μπορείτε να βρείτε το ερώτημα, μπορείτε να το τροποποιήσετε για να μειώσετε περαιτέρω το μέγεθος του μοντέλου σας.

  1. Για τις στήλες που περιέχουν δεδομένα νομισματικής μονάδας ή δεκαδικά ψηφία, εάν δεν χρειάζεστε δεκαδικά ψηφία, χρησιμοποιήστε αυτήν τη σύνταξη για να απαλλαγείτε από τα δεκαδικά ψηφία:

    "SELECT ROUND([Decimal_column_name];0)... .”

    Εάν χρειάζεστε τα λεπτά αλλά όχι τα κλάσματα των σεντ, αντικαταστήστε το 0 με το 2. Εάν χρησιμοποιείτε αρνητικούς αριθμούς, μπορείτε να στρογγυλοποιήσετε σε μονάδες, δεκάδες, εκατοντάδες κ.λπ.

  2. Εάν έχετε μια στήλη Datetime με το όνομα dbo. Bigtable. [Ημερομηνία/Ώρα] και δεν χρειάζεστε το τμήμα ώρας, χρησιμοποιήστε τη σύνταξη για να απαλλαγείτε από το χρόνο:

    "SELECT CAST (dbo. Bigtable. [Ημερομηνία ώρας] ως ημερομηνία) AS [Ημερομηνία ώρας]) "

  3. Εάν έχετε μια στήλη Datetime με το όνομα dbo. Bigtable. [Ημερομηνία/Ώρα] και χρειάζεστε και τα δύο τμήματα ημερομηνίας και ώρας, χρησιμοποιήστε πολλές στήλες στο ερώτημα SQL αντί για μία στήλη Datetime:

    "SELECT CAST (dbo. Bigtable. [Ημερομηνίας] ως ημερομηνία ) AS [Ημερομηνία Ώρας],

    datepart(hh, dbo. Bigtable. [Ημερομηνία/Ώρα]) ως [Ώρες ώρας ημερομηνίας],

    datepart(mi, dbo. Bigtable. [Ημερομηνία/Ώρα]) ως [Λεπτά ώρας ημερομηνίας],

    datepart(ss, dbo. Bigtable. [Ημερομηνία/Ώρα]) as [Date Time Seconds],

    datepart(ms, dbo. Bigtable. [Ημερομηνία/Ώρα]) as [Date Time Milliseconds]"

    Χρησιμοποιήστε όσες στήλες χρειάζεστε για να αποθηκεύσετε κάθε τμήμα σε ξεχωριστές στήλες.

  4. Εάν χρειάζεστε ώρες και λεπτά και τα προτιμάτε μαζί ως μία στήλη χρόνου, μπορείτε να χρησιμοποιήσετε τη σύνταξη:

    Timefromparts(datepart(hh, dbo. Bigtable. [Ημερομηνία/Ώρα]), τμήμα ημερομηνίας(μμ, dbo. Bigtable. [Ημερομηνία/Ώρα])) ως [Ώρα ώρας ημερομηνίαςΜίγασης]

  5. Εάν έχετε δύο στήλες ημερομηνίας/ώρας, όπως [Ώρα έναρξης] και [Ώρα λήξης], και αυτό που πραγματικά χρειάζεστε είναι η χρονική διαφορά μεταξύ τους σε δευτερόλεπτα ως στήλη που ονομάζεται [Διάρκεια], καταργήστε και τις δύο στήλες από τη λίστα και προσθέστε:

    "datediff(ss;[Ημερομηνία έναρξης];[Ημερομηνία λήξης]) ως [Διάρκεια]"

    Εάν χρησιμοποιήσετε τη λέξη-κλειδί ms αντί για την τιμή ss, θα λάβετε τη διάρκεια σε χιλιοστά του δευτερολέπτου

Χρήση υπολογισμένων μετρήσεων DAX αντί για στήλες

Εάν έχετε εργαστεί με τη γλώσσα παραστάσεων DAX στο παρελθόν, ίσως γνωρίζετε ήδη ότι οι υπολογιζόμενες στήλες χρησιμοποιούνται για τη δημιουργία νέων στηλών με βάση κάποια άλλη στήλη στο μοντέλο, ενώ οι υπολογισμένες μετρήσεις ορίζονται μία φορά στο μοντέλο, αλλά αξιολογούνται μόνο όταν χρησιμοποιούνται σε Συγκεντρωτικό Πίνακα ή άλλη αναφορά.

Μία τεχνική αποθήκευσης μνήμης είναι η αντικατάσταση κανονικών ή υπολογιζόμενων στηλών με υπολογισμένες μετρήσεις. Το κλασικό παράδειγμα είναι "Τιμή μονάδας", "Ποσότητα" και "Σύνολο". Εάν και οι τρεις έχετε, μπορείτε να εξοικονομήσετε χώρο διατηρώντας μόνο δύο και υπολογίζοντας τον τρίτο χρησιμοποιώντας DAX.

Ποιες 2 στήλες θα πρέπει να διατηρήσετε;

Στο παραπάνω παράδειγμα, διατηρήστε την Ποσότητα και την Τιμή μονάδας. Αυτά τα δύο στοιχεία έχουν λιγότερες τιμές από το σύνολο. Για να υπολογίσετε το σύνολο, προσθέστε μια υπολογισμένη μέτρηση, όπως:

"TotalSales:=sumx('Sales Table','Sales Table'[Unit Price]*'Sales Table'[Quantity])"

Οι υπολογιζόμενες στήλες είναι σαν κανονικές στήλες στο ότι καταλαμβάνουν και οι δύο χώρο στο μοντέλο. Αντίθετα, οι υπολογισμένες μετρήσεις υπολογίζονται στη στιγμή και δεν καταλαμβάνουν χώρο.

Συμπέρασμα

Σε αυτό το άρθρο, πρόκειται για διάφορες προσεγγίσεις που μπορούν να σας βοηθήσουν να δημιουργήσετε ένα μοντέλο με μικρότερες απαιτήσεις μνήμης. Ο τρόπος για να μειώσετε το μέγεθος αρχείου και τις απαιτήσεις μνήμης ενός μοντέλου δεδομένων είναι να μειώσετε το συνολικό αριθμό των στηλών και των γραμμών και τον αριθμό των μοναδικών τιμών που εμφανίζονται σε κάθε στήλη. Εδώ θα βρείτε ορισμένες τεχνικές που καλύψαμε:

  • Η κατάργηση στηλών είναι, φυσικά, ο καλύτερος τρόπος για να εξοικονομήσετε χώρο. Αποφασίστε ποιες στήλες χρειάζεστε πραγματικά.

  • Μερικές φορές μπορείτε να καταργήσετε μια στήλη και να την αντικαταστήσετε με μια υπολογισμένη μέτρηση στον πίνακα.

  • Ενδέχεται να μην χρειάζεστε όλες τις γραμμές ενός πίνακα. Μπορείτε να φιλτράρετε γραμμές στον Οδηγό εισαγωγής πίνακα.

  • Γενικά, το να διαχωρίσετε μία στήλη σε πολλά διακριτά τμήματα είναι ένας καλός τρόπος για να μειώσετε τον αριθμό των μοναδικών τιμών σε μια στήλη. Κάθε ένα από τα τμήματα θα έχει μικρό αριθμό μοναδικών τιμών και το συνδυασμένο σύνολο θα είναι μικρότερο από την αρχική ενοποιημένη στήλη.

  • Σε πολλές περιπτώσεις, πρέπει επίσης να χρησιμοποιήσετε τα διακριτά μέρη ως αναλυτές στις αναφορές σας. Όταν χρειάζεται, μπορείτε να δημιουργήσετε ιεραρχίες από τμήματα όπως ώρες, λεπτά και δευτερόλεπτα.

  • Πολλές φορές, οι στήλες περιέχουν περισσότερες πληροφορίες από όσες τις χρειάζεστε. Για παράδειγμα, ας υποθέσουμε ότι μια στήλη αποθηκεύει δεκαδικά ψηφία, αλλά έχετε εφαρμόσει μορφοποίηση για να αποκρύψετε όλα τα δεκαδικά ψηφία. Η στρογγυλοποίηση μπορεί να είναι πολύ αποτελεσματική στη μείωση του μεγέθους μιας αριθμητικής στήλης.

Τώρα που έχετε κάνει ό,τι μπορείτε για να μειώσετε το μέγεθος του βιβλίου εργασίας σας, εξετάστε το ενδεχόμενο να εκτελέσετε επίσης τη Βελτιστοποίηση μεγέθους βιβλίου εργασίας. Αναλύει το βιβλίο εργασίας του Excel και, εάν είναι δυνατό, το συμπιέζει περαιτέρω. Κάντε λήψη της βελτιστοποίησης μεγέθους βιβλίου εργασίας.

Σχετικές συνδέσεις

Προδιαγραφές και όρια μοντέλου δεδομένων

Βελτιστοποίηση μεγέθους βιβλίου εργασίας

PowerPivot: Ισχυρή ανάλυση δεδομένων και μοντελοποίηση δεδομένων στο Excel

Χρειάζεστε περισσότερη βοήθεια;

Θέλετε περισσότερες επιλογές;

Εξερευνήστε τα πλεονεκτήματα της συνδρομής, περιηγηθείτε σε εκπαιδευτικά σεμινάρια, μάθετε πώς μπορείτε να προστατεύσετε τη συσκευή σας και πολλά άλλα.

Οι κοινότητες σάς βοηθούν να κάνετε και να απαντάτε σε ερωτήσεις, να δίνετε σχόλια και να ακούτε από ειδικούς με πλούσια γνώση.

Σας βοήθησαν αυτές οι πληροφορίες;

Πόσο ικανοποιημένοι είστε με τη γλωσσική ποιότητα;
Τι επηρέασε την εμπειρία σας;
Πατώντας "Υποβολή" τα σχόλια σας θα χρησιμοποιηθούν για τη βελτίωση των προϊόντων και των υπηρεσιών της Microsoft. Ο διαχειριστής IT θα έχει τη δυνατότητα να συλλέξει αυτά τα δεδομένα. Δήλωση προστασίας προσωπικών δεδομένων.

Σας ευχαριστούμε για τα σχόλιά σας!

×