当谈到不同操作系统的应用普及情况，Linux在服务器市场中占有更好的位置。由于稳定性，安全性，自由度和硬件支持等许多优势，Linux通常是系统管理员和IT专家用户最喜欢的平台。就像其他特殊用途（包括游戏，编程或黑客）一样，Linux服务器发行版的类别也很广泛。

这些操作系统配有专门的工具和长期支持。他们还能确保你获得最佳的正常运行时间，电源效率，安全性和优化的性能。你使用过哪些Linux服务器发行版，2018年你会优先选择哪个平台？

RHEL（红帽企业版Linux）

红帽企业版Linux系统是最好的Linux服务器发行版之一。RHEL在Linux桌面中享有与Ubuntu相同的企业级地位。红帽企业Linux由红帽公司做背书，它可是Linux环境最早和最大的企业。多年来，不断对RHEL进行改进，确保大多数软件包和硬件都受到RHEL支持或“认证”。除了经过认证之外，对顶级Linux服务器操作系统的长期支持也很重要。“财富”全球500强中有90％的公司使用红帽，这就是最好的说明了。

此外，红帽还为开发人员提供免费和非生产环境的RHEL订阅。

CentOS

另一种无需支付订阅费，即可使用RHEL的方法是下载免费的Linux服务器发行版CentOS。它是社区支持的RHEL，没有Red Hat的支持。CentOS与RHEL是二进制兼容的，这是另一个有利于它的优点。就像RHEL一样，CentOS存储库包含经过测试的软件，它对于你的生产系统来说足够安全和稳定。当涉及控制面板（包括cPanel）时，CentOS得到更好的支持。如果你熟悉.rpm软件包和yum软件包管理器，CentOS就是Linux服务器操作系统。

由于Fedora是Red Hat的测试环境，人们也推荐使用它。但是，如果你希望系统使用超过一年并希望稳定可靠，则推荐使用CentOS。

Ubuntu LTS

与RHEL和CentOS相比，Ubuntu存储库以更快的速度获得软件包。这一选择归结为你的特殊需求。如果你想要某些应用程序和软件的所有最新功能和更新，请转至Ubuntu。它拥有广泛的用户社区。对于加入Linux世界的Linux初学者也推荐它。

谈到性能，Ubuntu提供了一个灵活的性能。你也可以选择Ubuntu服务器选项，它附带一些有用的软件包，比如邮件服务器，LAMP服务器，Samba文件服务器，OpenStack Mitaka，Nginx等。发行版的5年LTS支持也保证了它成为对初学者友好的Linux服务器发行版，用于媒体服务器，电子邮件服务器或游戏服务器等场景。

Debian

为什么一些最流行的Linux发行版基于Debian是有原因的。就是它的稳定性。尽管你希望在Debian上做任何事情都可以在Ubuntu上完成，但如果你处于高于平均水平并且稳定性非常重要，那么建议你选择它。还有一点需要注意的是，Debian只附带免费软件。与Ubuntu相比，它更轻，速度更快，这使其成为旧硬件的理想选择。

简而言之，如果你在一个安全和熟悉Linux的企业环境中工作，并且你需要一个Linux服务器操作系统，请选择Ubuntu上的Debian。

SLES（SUSE Linux Enterprise Server）

就像RHEL和Canonical一样，SUSE在开源世界中也非常著名。它始于1992年，是第一家为企业客户推销Linux的公司。该公司的主要产品是SUSE Linux Enterprise Server。与SAP和微软的合作关系也将其带入不同的企业市场。

使用SLES（和OpenSUSE）的一大优势是它的YaST软件管理系统可以使许多复杂的任务更容易和自动化。它有用户的GUI和命令行界面。这就是为什么SLES也被称为管理最友好的Linux发行版的原因。它专为寻找多用途Linux服务器发行版的高级用户而设计。

openSUSE Leap

openSUSE Leap和SLES是SUSE公司的RHEL和CentOS。Leap使用SLE的相同核心基础，并提供免费的社区软件包和支持；通过SLES，你可以获得专门的企业支持和补丁。所以，如果专门的支持不是你的首选，建议您选择Leap并免费获得补丁和修复。毫无疑问，SLES更加稳定，并附带许多企业应用程序供应商提供的认证。

Gentoo

如果你是一位经验丰富的Linux用户，喜欢挑战并且要获得Linux服务器操作系统的要求，那么Gentoo可能是你的选择。凭借其模块化方法，Gentoo提倡““if you don’t need it, don’t install it”的理念。这减少了大量不必要的膨胀和依赖。另外，Gentoo的每一次安装都是独一无二的，并且是定制的，这给管理员提供了他需要的所有控制。而且，通过使用flags和包掩码，你可以获得额外的控制权。但如上所述，它不适合每个人，需要你做出明智地选择。

2018年10月开始使用新个税计算方法，起征整由原来的3500变成了5000，这个月发的工资，算一算扣了多少税！

工资个税的计算公式为：应纳税额=（工资薪金所得 －“五险一金”－扣除数）×适用税率－速算扣除数

新的个税免征额是5000，使用超额累进税率的计算方法如下：

如果某人的工资扣除五险一金为12000元，他应纳个人所得税区间为12000-5000=7000元

应缴纳税金为：7000*10%-210=490元

1、速算扣除数来源

这个速算扣除数是怎么来的，以12000元为例，扣除基本纳税点12000-5000=7000元

使用速算法公式：7000在级别2

7000*10%-210

使用常规公式：

3000*3%+（7000-3000）*10%

公式展开即：

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

红色部分在级别2是一个定数，计算出来正好是210

同理可以得到所有级别的定数，称为每一级别的速算扣除数

2、计算公式

对需要计算个税的金额，旧个税扣税计算公式为：

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

新个税计算公式为：

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

我们用公式计算了工资分别从3k-30w新旧个税的差额对比情况

从这个月开始，你又能省一大笔钱了！给新个税点赞吧！

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

欢迎关注，更多精彩内容持续更新中...！

当你还在讨论哪家服务器托管费用更低的时候，云存储已经开始领跑市场了。别以为这是危言耸听，看看2017年这传奇的一年，业内知名企业冬至出售旗下芯片业务、西部数据收购初创公司Tegile、Dell EMC大力投入全闪存存储等这一系列的事情都让云存储成为热门。

虽然现下服务器托管依然是主流，但随着大数据、物联网和分析市场的崛起，使得IT基础设施变革成为必然，根据相关机构的研究证明，有50%的受访者认为如今企业对数据存储的需求已经远远超过云服务的需求。

那么在未来的一年中，企业为了实现数据战略目标，将在数据中心投资更多存储硬件，在云中存储更多数据，也就是说下一年更多人讨论的不再是服务器托管价格、服务器租用哪家好？而是这几个词

全闪存

有人说全闪存的出现可以说是存储介质的一个里程碑，有没有这么重要不好说，但确实是最热门的存储介质之一，对数据爆炸增长的今天来说尤其重要。

云存储

云是这几年都比较热的词汇，但是大家真正接触云主要和存储相关，这个词在2018年会继续热门下去，因为不光是个人，通过云技术将信息资源进行存储共享被越来越多的现代企业应用。这对传统的服务器租用托管来说是机遇也是挑战。

超融合

超融合是这几年来IT界备受关注的话题之一，也是众多厂商发力的方向，超过一半的受访者表示他们正在使用、计划使用或寻求超融合基础设施。

不过就目前来看，打听好服务器托管价格对公司来说也没什么坏处，有关注才能看到创新。

上次给大家分享了《2017年最全的excel函数大全14—统计函数（3）》，这次分享给大家统计函数（4）。

FORECAST.ETS.CONFINT 函数

说明

返回指定目标日期预测值的置信区间。 95% 的置信区间意味着 95% 的未来点预计将处于 FORECAST.ETS 预期结果中的此范围内（使用正态分布）。 使用置信区间可以帮助掌握预测模型的准确度。较小的区间意味着在针对此特定点的预测中有更多置信。

用法

预测. ets . confint ( target_date 、值、时间线,[ confidence_level ]、[ seasonality ],[ data_completion ],[汇总])

FORECAST.ETS.CONFINT 函数用法具有以下参数：

target_date 必需。要为其预测值的数据点。目标日期可以是日期/时间或数字。 如果目标日期在历史时间线结束前按时间顺序排序，则 FORECAST.ETS.CONFINT 将返回 #NUM! 错误。

值必需。 值是历史值，您要为其预测下一点。

时间线必需。独立数组或数值数据区域。时间线中的日期之间必须有一致步长且不能为零。 无需对时间线进行排序，因为 FORECAST.ETS.CONFINT 会对其进行隐式排序，以进行计算。 如果无法在提供的时间线中识别一致步长，则 FORECAST.ETS.CONFINT 将返回 #NUM! 错误。 如果时间线包含重复值，则 FORECAST.ETS.CONFINT 将返回 #VALUE! 错误。 如果时间线和值的范围大小不同，则 FORECAST.ETS.CONFINT 将返回 #N/A 错误。

confidence_level 可选。0 和 1 之间的一个数值（独占），指示计算置信区间的置信度。 例如，对于 90% 的置信区间，将计算 90% 置信度（90% 的未来点将处于此预测范围内）。 默认值为 95%。 对于 (0,1) 范围外的数值，FORECAST.ETS.CONFINT 将返回 #NUM! 错误。

季节性可选。一个数值。 默认值为 1，意味着 Excel 自动检测季节性进行预测，并使用正整数作为季节性模式的长度。 0 表示无季节性，意味着预测为线性预测。 正整数指示算法使用此长度模式作为季节性。 对于其他任何值，FORECAST.ETS.CONFINT 将返回 #NUM! 错误。

最大支持 seasonality 是8,760（一年中的小时数）。 该数字上方的任何 seasonality 将导致# NUM ! 错误。

数据完成可选。虽然时间线需要数据点之间的一致步长，但 FORECAST.ETS.CONFINT 支持最多 30% 的丢失数据，并会自动对其进行调整。 0 表示算法将缺少的点视为零。 通过将缺少的点算为邻接点的平均值，默认值 1 将计算缺少的点。

聚合可选。虽然时间线需要数据点之间的一致步长，但 FORECAST.ETS.CONFINT 会聚合具有相同时间戳的多个点。聚合参数是一个数值，指明要用于聚合具有相同时间戳的多个值的方法。默认值 0 将使用 AVERAGE，而其他选项为 SUM、COUNT、COUNTA、MIN、MAX、MEDIAN。

FORECAST.ETS.SEASONALITY 函数

说明

返回 Excel 针对指定时间系列检测到的重复模式的长度。 FORECAST.ETS.Seasonality 可用于FORECAST.ETS之后，确定已检测到的自动季节性和 FORECAST.ETS 使用的季节性。 虽然它可以独立于 FORECAST.ETS 使用，但鉴于相同的输入参数会影响数据完整性，函数会受到限制，因为在该函数中检测到的季节性与 FORECAST.ETS 使用的季节性相同。

用法

FORECAST.ETS.SEASONALITY(值, 时间线,[data_completion], [聚合])

FORECAST.ETS.SEASONALITY 函数用法具有下列参数：

值 必需。 值是历史值，您要为其预测下一点。时间线 必需。独立数组或数值数据区域。时间线中的日期之间必须有一致步长且不能为零。 无需对时间线进行排序，因为 FORECAST.ETS.SEASONALITY 会对其进行隐式排序，以进行计算。 如果无法在提供的时间线中识别一致步长，则 FORECAST.ETS.SEASONALITY 将返回 #NUM! 错误。 如果时间线包含重复值，则 FORECAST.ETS.SEASONALITY 将返回 #VALUE! 错误。 如果时间线和值的范围大小不同，则 FORECAST.ETS.SEASONALITY 将返回 #N/A 错误。数据完成 可选。虽然时间线需要数据点之间的一致步长，但 FORECAST.ETS.SEASONALITY 支持最多 30% 的丢失数据，并会自动对其进行调整。 0 表示算法将缺少的点视为零。 通过将缺少的点算为邻接点的平均值，默认值 1 将计算缺少的点。聚合 可选。虽然时间线需要数据点之间的一致步长，但 FORECAST.ETS.SEASONALITY 会聚合具有相同时间戳的多个点。聚合参数是一个数值，指明要用于聚合具有相同时间戳的多个值的方法。默认值 0 将使用 AVERAGE，而其他选项为 SUM、COUNT、COUNTA、MIN、MAX、MEDIAN。

FORECAST.ETS.STAT 函数

说明

返回作为时间序列预测的结果的统计值。

统计值类型表明此函数请求的统计信息。

用法

FORECAST.ETS.STAT(值, 时间线, statistic_type, [季节性], [data_completion], [聚合])

FORECAST.ETS.STAT 函数用法具有以下参数：

值 必需。 值是历史值，您要为其预测下一点。时间线 必需。独立数组或数值数据区域。时间线中的日期之间必须有一致步长且不能为零。 无需对时间线进行排序，因为 FORECAST.ETS.STAT 会对其进行隐式排序，以进行计算。 如果无法在提供的时间线中识别一致步长，则 FORECAST.ETS.STAT 将返回 #NUM! 错误。 如果时间线包含重复值，则 FORECAST.ETS.STAT 将返回 #VALUE! 错误。 如果时间线和值的范围大小不同，则 FORECAST.ETS.STAT 将返回 #N/A 错误。statistic_type 必需。 数字值介于1和8之间，指示哪些统计值将不会为计算预测返回。季节性 可选。一个数值。 默认值为 1，意味着 Excel 自动检测季节性进行预测，并使用正整数作为季节性模式的长度。 0 表示无季节性，意味着预测为线性预测。 正整数指示算法使用此长度模式作为季节性。 对于其他任何值，FORECAST.ETS.STAT 将返回 #NUM! 错误。

最大支持 seasonality 是8,760（一年中的小时数）。 该数字上方的任何 seasonality 将导致# NUM ! 错误。

数据完成 可选。虽然时间线需要数据点之间的一致步长，但 FORECAST.ETS.STAT 支持最多 30% 的丢失数据，并会自动对其进行调整。 0 表示算法将缺少的点视为零。 通过将缺少的点算为邻接点的平均值，默认值 1 将计算缺少的点。聚合 可选。虽然时间线需要数据点之间的一致步长，但 FORECAST.ETS.STAT 会聚合具有相同时间戳的多个点。聚合参数是一个数值，指明要用于聚合具有相同时间戳的多个值的方法。默认值 0 将使用 AVERAGE，而其他选项为 SUM、COUNT、COUNTA、MIN、MAX、MEDIAN。

下列可选的统计信息可以返回：

Alpha ets 算法的参数 返回参数较高值基值为最近的数据点的详细粗细。Beta ets 算法的参数 返回参数的趋势值较高值为最近的趋势的详细粗细。ets 算法的伽玛参数 返回参数 seasonality 值较高值为最近使用的季节性期间内的详细粗细。mase 跃点 返回绝对按比例缩放的错误平均值跃点数度量值预测的准确性。smape 跃点 返回绝对跃点数基于百分比错误的准确性度量值的百分比错误的对称平均值。mae 跃点 返回绝对跃点数基于百分比错误的准确性度量值的百分比错误的对称平均值。rmse 跃点 返回 根 平均值平方值错误跃点数预测和观察值之间的差异的度量。检测到步骤大小 返回历史时间线中检测到的步骤大小。

FORECAST.LINEAR 函数

说明

根据现有值计算或预测未来值。 预测值为给定 x 值后求得的 y 值。 已知值为现有的 x 值和 y 值，并通过线性回归来预测新值。 可以使用该函数来预测未来销售、库存需求或消费趋势等。

用法

预测.线性( x , known _ y ' s , known _ x ' s )

FORECAST.LINEAR 函数用法具有以下参数：

X 必需。 需要进行值预测的数据点。

Known_y's 必需。 相关数组或数据区域。

Known_x's 必需。 独立数组或数据区域。

FREQUENCY 函数

说明

计算数值在某个区域内的出现频率，然后返回一个垂直数组。 例如，使用函数 FREQUENCY 可以在分数区域内计算测验分数的个数。 由于 FREQUENCY 返回一个数组，所以它必须以数组公式的形式输入。

用法

FREQUENCY(data_array, bins_array)

FREQUENCY 函数用法具有下列参数：

Data_array必需。 要对其频率进行计数的一组数值或对这组数值的引用。 如果 data_array 中不包含任何数值，则 FREQUENCY 返回一个零数组。Bins_array必需。 要将 data_array 中的值插入到的间隔数组或对间隔的引用。 如果 bins_array 中不包含任何数值，则 FREQUENCY 返回 data_array 中的元素个数。

备注

在选择了用于显示返回的分布结果的相邻单元格区域后，函数 FREQUENCY 应以数组公式的形式输入。返回的数组中的元素比 bins_array 中的元素多一个。 返回的数组中的额外元素返回最高的间隔以上的任何值的计数。 例如，在对输入到三个单元格中的三个值范围（间隔）进行计数时，确保将 FREQUENCY 输入到结果的四个单元格。 额外的单元格将返回 data_array 中大于第三个间隔值的值的数量。函数 FREQUENCY 将忽略空白单元格和文本。对于返回结果为数组的公式，必须以数组公式的形式输入。

案例

GAMMA 函数

说明

返回 gamma 函数值。

用法

GAMMA(number)

GAMMA 函数用法具有下列参数：

Number 必需。 返回一个数字。

备注

GAMMA 使用以下公式：

Г(N+1) = N * Г(N)如果 Number 为负整数或 0，则 GAMMA 返回 错误值 #NUM!。如果 Number 包含无效的字符，则 GAMMA 返回 错误值 #VALUE!。

案例

GAMMA.DIST 函数

说明

返回伽玛分布函数的函数值。 可以使用此函数来研究呈斜分布的变量。 伽玛分布通常用于排队分析。

用法

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

GAMMA.DIST 函数用法具有下列参数：

X必需。 用来计算分布的数值。Alpha必需。 分布参数。Beta必需。 分布参数。 如果 beta = 1，则 GAMMA.DIST 返回标准伽玛分布。Cumulative必需。 决定函数形式的逻辑值。 如果 cumulative 为 TRUE，则 GAMMA.DIST 返回累积分布函数；如果为 FALSE，则返回概率密度函数。

备注

如果 x、alpha 或 beta 为非数值型，则 GAMMA.DIST 返回 错误值 #VALUE!。如果 x 0，则 GAMMA.DIST 返回 错误值 #NUM!。如果 alpha ≤ 0 或 beta ≤ 0，则 GAMMA.DIST 返回 错误值 #NUM!。伽玛概率密度函数的计算公式如下：

标准伽玛概率密度函数为：

当 alpha = 1 时，GAMMA.DIST 返回如下的指数分布：

对于正整数 n，当 alpha = n/2，beta = 2 且 cumulative = TRUE 时，GAMMA.DIST 以自由度 n 返回 (1 - CHISQ.DIST.RT(x))。当 alpha 为正整数时，GAMMA.DIST 也称为爱尔朗 (Erlang) 分布。

案例

GAMMA.INV 函数

说明

返回伽玛累积分布函数的反函数值。 如果 p = GAMMA.DIST(x,...)，则 GAMMA.INV(p,...) = x。 使用此函数可以研究有可能呈斜分布的变量。

用法

GAMMA.INV(probability,alpha,beta)

GAMMA.INV 函数用法具有下列参数：

Probability必需。 伽玛分布相关的概率。Alpha必需。 分布参数。Beta必需。分布参数。如果 beta = 1，则 GAMMA.INV 返回标准伽玛分布。

备注

如果任一参数为文本型，则 GAMMA.INV 返回 错误值 #VALUE!。如果 probability 0 或 probability 1，则 GAMMA.INV 返回 错误值 #NUM!。如果 alpha ≤ 0 或 beta ≤ 0，则 GAMMA.INV 返回 错误值 #NUM!。

如果已给定概率值，则 GAMMA.INV 使用 GAMMA.DIST(x, alpha, beta, TRUE) = probability 求解数值 x。 因此，GAMMA.INV 的精度取决于 GAMMA.DIST 的精度 GAMMA.INV 使用迭代搜索技术。 如果搜索在 64 次迭代之后没有收敛，则函数返回错误值 #N/A。

案例

GAMMALN 函数

说明

返回伽玛函数的自然对数，Γ(x)。

用法

GAMMALN(x)

GAMMALN 函数用法具有下列参数：

X必需。 要计算其 GAMMALN 的数值。

备注

如果 x 为非数值型，则 GAMMALN 返回 错误值 #VALUE!。如果 x ≤ 0，则 GAMMALN 返回 错误值 #NUM!。数字 e 的 GAMMALN(i) 次幂的返回值与 (i - 1)! 的结果相同，其中 i 为整数。GAMMALN 的公式为：

其中：

案例

GAMMALN.PRECISE 函数

说明

返回伽玛函数的自然对数，Γ(x)。

用法

GAMMALN.PRECISE(x)

GAMMALN.PRECISE 函数用法具有下列参数：

X必需。 要计算其 GAMMALN.PRECISE 的数值。

备注

如果 x 为非数值型，则 GAMMALN.PRECISE 返回 错误值 #VALUE!。如果 x ≤ 0，则 GAMMALN.PRECISE 返回 错误值 #NUM!。数字 e 的 GAMMALN.PRECISE(i) 次幂返回与 (i-1)! 相同的结果，其中 i 为整数。GAMMALN.PRECISE 计算公式如下：

GAMMALN.PRECISE=LN(Γ(x))

其中：

案例

GAUSS 函数

说明

计算标准正态总体的成员处于平均值与平均值的 z 倍标准偏差之间的概率。

用法

GAUSS(z)

GAUSS 函数用法具有下列参数：

z 必需。返回一个数字。

备注

如果 z 不是有效数字，GAUSS 返回 错误值 #NUM!。如果 z 不是有效数据类型，GAUSS 返回 错误值 #VALUE!。因为 NORM.S.DIST(0,True) 总是返回 0.5，所以 GAUSS (z) 将总是等于 NORM.S.DIST(z,True) - 0.5。

案例

GEOMEAN 函数

说明

返回一组正数数据或正数数据区域的几何平均值。 例如，可以使用 GEOMEAN 计算可变复利的平均增长率。

用法

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

GEOMEAN 函数用法具有下列参数：

number1, number2, ...Number1 是必需的，后续数字是可选的。 用于计算平均值的 1 到 255 个参数。 也可以用单一数组或对某个数组的引用来代替用逗号分隔的参数。

备注

参数可以是数字或者是包�...

上次给大家分享了《2018年最全的excel函数大全14—统计函数（8）》，这次分享给大家统计函数（9）。

STDEVPA 函数

描述

根据作为参数（包括文字和逻辑值）给定的整个总体计算标准偏差。 标准偏差可以测量值在平均值（中值）附近分布的范围大小。

用法

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

STDEVPA 函数用法具有下列参数：

Value1, value2, ...Value1 是必需的，后续值是可选的。 对应于总体的 1 到 255 个值。 也可以用单一数组或对某个数组的引用来代替用逗号分隔的参数。

备注

STDEVPA 假定其参数是整个总体。 如果数据代表总体样本，则必须使用 STDEVA 计算标准偏差。对于规模很大的样本，STDEVA 和 STDEVPA 返回近似值。此处标准偏差的计算使用“n”方法。参数可以是下列形式：数值；包含数值的名称、数组或引用；数字的文本表示；或者引用中的逻辑值，例如 TRUE 和 FALSE。直接键入到参数列表中代表数字的文本被计算在内。包含 TRUE 的参数作为 1 来计算；包含文本或 FALSE 的参数作为 0（零）来计算。如果参数为数组或引用，则只使用其中的数值。 数组或引用中的空白单元格和文本值将被忽略。如果参数为错误值或为不能转换为数字的文本，将会导致错误。如果要使计算不包括引用中的逻辑值和代表数字的文本，请使用 STDEVP 函数。STDEVPA 使用下面的公式：

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

案例

STEYX 函数

描述

返回通过线性回归法预测每个 x 的 y 值时所产生的标准误差。 标准误差是在针对单独 x 预测 y 时的错误量的一个度量值。

用法

STEYX(known_y's, known_x's)

STEYX 函数用法具有下列参数：

Known_y's必需。 因变量数据点数组或区域。Known_x's必需。 自变量数据点数组或区域。

备注

参数可以是数字或者是包含数字的名称、数组或引用。逻辑值和直接键入到参数列表中代表数字的文本被计算在内。如果数组或引用参数包含文本、逻辑值或空白单元格，则这些值将被忽略；但包含零值的单元格将计算在内。如果参数为错误值或为不能转换为数字的文本，将会导致错误。如果 known_y's 和 known_x's 的数据点个数不同，函数 STEYX 返回错误值 #N/A。如果 known_y's 和 known_x's 为空或其数据点个数小于三，则 STEYX 返回错误值 #p/0!。预测值 y 的标准误差计算公式如下：

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

案例

T.DIST 函数

描述

返回学生的左尾 t 分布。 t 分布用于小型样本数据集的假设检验。 可以使用该函数代替 t 分布的临界值表。

用法

T.DIST(x,deg_freedom, cumulative)

T.DIST 函数用法具有以下参数：

X必需。 需要计算分布的数值。Deg_freedom必需。 一个表示自由度数的整数。cumulative必需。 决定函数形式的逻辑值。 如果 cumulative 为 TRUE，则 T.DIST 返回累积分布函数；如果为 FALSE，则返回概率密度函数。

备注

如果任一参数是非数值的，则 T.DIST 返回 错误值 #VALUE!。如果 deg_freedom 1，则 T.DIST 返回一个错误值。 Deg_freedom 不得小于 1。

案例

T.DIST.2T 函数

描述

返回学生的双尾 t 分布。

学生的 t 分布用于小样本数据集的假设检验。 可以使用该函数代替 t 分布的临界值表。

用法

T.DIST.2T(x,deg_freedom)

T.DIST.2T 函数用法具有以下参数：

X必需。 需要计算分布的数值。Deg_freedom必需。 一个表示自由度数的整数。

备注

如果任一参数是非数值的，则 T.DIST.2T 返回 错误值 #VALUE!。如果 deg_freedom 1，则 T.DIST.2T 返回 错误值 #NUM!。如果 x 0，则 T.DIST.2T 返回 错误值 #NUM!。

案例

T.DIST.RT 函数

描述

返回学生的右尾 t 分布。

t 分布用于小型样本数据集的假设检验。 可以使用该函数代替 t 分布的临界值表。

用法

T.DIST.RT(x,deg_freedom)

T.DIST.RT 函数用法具有以下参数：

X必需。 需要计算分布的数值。Deg_freedom必需。 一个表示自由度数的整数。

备注

如果任一参数是非数值的，则 T.DIST.RT 返回 错误值 #VALUE!。如果 deg_freedom 1，则 T.DIST.RT 返回 错误值 #NUM!。

案例

T.TEST 函数

描述

返回与学生 t-检验相关的概率。 使用函数 T.TEST 确定两个样本是否可能来自两个具有相同平均值的基础总体。

用法

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

T.TEST 函数用法具有下列参数：

Array1必需。 第一个数据集。Array2必需。 第二个数据集。tails必需。 指定分布尾数。 如果 tails = 1，则 T.TEST 使用单尾分布。 如果 tails = 2，则 T.TEST 使用双尾分布。Type必需。 要执行的 t 检验的类型。

参数

备注

如果 array1 和 array2 的数据点个数不同，且 type = 1（成对），则 T.TEST 返回错误值 #N/A。参数 tails 和 type 将被截尾取整。如果 tails 或 type 是非数值的，则 T.TEST 返回 错误值 #VALUE!。如果 tails 是除 1 或 2 之外的任何值，则 T.TEST 返回 错误值 #NUM!。T.TEST 使用 array1 和 array2 中的数据计算非负 t 统计值。 如果 tails=1，在假设 array1 和 array2 是具有相同平均值的总体中的样本的情况下，T.TEST 返回较高 t 统计值的概率。 tails=2 时，T.TEST 返回的值是 tails=1 时返回值的两倍，并对应假设“总体平均值相同”时较高的 t 统计绝对值的概率。

案例

TREND 函数

描述

返回线性趋势值。 找到适合已知数组 known_y's 和 known_x's 的直线（用最小二乘法）。 返回指定数组 new_x's 在直线上对应的 y 值。

用法

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

TREND 函数用法具有下列参数：

Known_y's必需。 关系表达式 y = mx + b 中已知的 y 值集合。如果数组 known_y's 在单独一列中，则 known_x's 的每一列被视为一个独立的变量。如果数组 known_y's 在单独一行中，则 known_x's 的每一行被视为一个独立的变量。Known_x's必需。 关系表达式 y = mx + b 中已知的可选 x 值集合。数组 known_x's 可以包含一组或多组变量。 如果仅使用一个变量，那么只要 known_x's 和 known_y's 具有相同的维数，则它们可以是任何形状的区域。 如果用到多个变量，则 known_y's 必须为向量（即必须为一行或一列）。如果省略 known_x's，则假设该数组为 {1,2,3,...}，其大小与 known_y's 相同。New_x's必需。 需要函数 TREND 返回对应 y 值的新 x 值。New_x's 与 known_x's 一样，对每个自变量必须包括单独的一列（或一行）。 因此，如果 known_y's 是单列的，known_x's 和 new_x's 应该有同样的列数。 如果 known_y's 是单行的，known_x's 和 new_x's 应该有同样的行数。如果省略 new_x's，将假设它和 known_x's 一样。如果 known_x's 和 new_x's 都省略，将假设它们为数组 {1,2,3,...}，大小与 known_y's 相同。Const可选。 一个逻辑值，用于指定是否将常量 b 强制设为 0。如果 const 为 TRUE 或省略，b 将按正常计算。如果 const 为 FALSE，b 将被设为 0（零），m 将被调整以使 y = mx。

备注

有关 Microsoft Excel 对数据进行直线拟合的详细信息，请参阅 LINEST 函数。可以使用 TREND 函数计算同一变量的不同乘方的回归值来拟合多项式曲线。 例如，假设 A 列包含 y 值，B 列含有 x 值。 可以在 C 列中输入 x^2，在 D 列中输入 x^3，等等，然后根据 A 列，对 B 列到 D 列进行回归计算。对于返回结果为数组的公式，必须以数组公式的形式输入。

注意:在 Excel Online 中，不能创建数组公式。

当为参数（如 known_x's）输入数组常量时，应当使用逗号分隔同一行中的数据，用分号分隔不同行中的数据。

案例

TRIMMEAN 函数

描述

返回数据集的内部平均值。 TRIMMEAN 计算排除数据集顶部和底部尾数中数据点的百分比后取得的平均值。 当您要从分析中排除无关的数据时，可以使用此函数。

用法

TRIMMEAN(array, percent)

TRIMMEAN 函数用法具有下列参数：

Array必需。 需要进行整理并求平均值的数组或数值区域。百分比必需。 从计算中排除数据点的分数。 例如，如果 percent=0.2，从 20 点 (20 x 0.2) 的数据集中剪裁 4 点：数据集顶部的 2 点和底部的 2 点。

备注

如果 percent 0 或 percent 1，则 TRIMMEAN 返回 错误值 #NUM!。函数 TRIMMEAN 将排除的数据点数向下舍入到最接近的 2 的倍数。 如果 percent = 0.1，30 个数据点的 10% 等于 3 个数据点。 为了对称，TRIMMEAN 排除数据集顶部和底部的单个值。

案例

VAR.P 函数

描述

计算基于整个样本总体的方差（忽略样本总体中的逻辑值和文本）。

用法

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

VAR.P 函数用法具有下列参数：

Number1必需。对应于总体的第一个数值参数。Number2, ...可选。对应于总体的 2 到 254 个数值参数。

备注

VAR.P 假定其参数是整个总体。如果数据代表总体样本，请使用 VAR.S 计算方差。参数可以是数字或者是包含数字的名称、数组或引用。逻辑值和直接键入到参数列表中代表数字的文本被计算在内。如果参数是一个数组或引用，则只计算其中的数字。数组或引用中的空白单元格、逻辑值、文本或错误值将被忽略。如果参数为错误值或为不能转换为数字的文本，将会导致错误。如果要使计算包含引用中的逻辑值和代表数字的文本，请使用 VARPA 函数。函数 VAR.P 的计算公式如下：

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

案例

VAR.S 函数

描述

估算基于样本的方差（忽略样本中的逻辑值和文本）。

用法

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

VAR.S 函数用法具有下列参数：

Number1必需。对应于总体样本的第一个数值参数。Number2, ...可选。对应于总体样本的 2 到 254 个数值参数。

备注

函数 VAR.S 假设其参数是样本总体中的一个样本。如果数据为整个样本总体，则应使用函数 VAR.P 来计算方差。参数可以是数字或者是包含数字的名称、数组或引用。逻辑值和直接键入到参数列表中代表数字的文本被计算在内。如果参数是一个数组或引用，则只计算其中的数字。数组或引用中的空白单元格、逻辑值、文本或错误值将被忽略。如果参数为错误值或为不能转换为数字的文本，将会导致错误。如果要使计算包含引用中的逻辑值和代表数字的文本，请使用 VARA 函数。函数 VAR.S 的计算公式如下：

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

案例

VARA 函数

描述

计算基于给定样本的方差。

用法

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

VARA 函数用法具有下列参数：

Value1, value2, ...Value1 是必需的，后续值是可选的。 这些是对应于总体样本的 1 到 255 个数值参数。

备注

VARA 假定其参数是总体样本。 如果数据代表的是样本总体，则必须使用函数 VARPA 来计算方差。参数可以是下列形式：数值；包含数值的名称、数组或引用；数字的文本表示；或者引用中的逻辑值，例如 TRUE 和 FALSE。逻辑值和直接键入到参数列表中代表数字的文本被计算在内。包含 TRUE 的参数作为 1 来计算；包含文本或 FALSE 的参数作为 0（零）来计算。如果参数为数组或引用，则只使用其中的数值。 数组或引用中的空白单元格和文本值将被忽略。如果参数为错误值或为不能转换为数字的文本，将会导致错误。如果要使计算不包括引用中的逻辑值和代表数字的文本，请使用 VAR 函数。函数 VARA 的计算公式如下：

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

案例

VARPA 函数

描述

根据整个总体计算方差。

用法

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

VARPA 函数用法具有下列参数：

Value1, value2, ...Value1 是必需的，后续值是可选的。 对应于总体的 1 到 255 个值参数。

备注

VARPA 假定其参数是整个总体。 如果数据代表总体样本，则必须使用 VARA 计算方差。参数可以是下列形式：数值；包含数值的名称、数组或引用；数字的文本表示；或者引用中的逻辑值，例如 TRUE 和 FALSE。逻辑值和直接键入到参数列表中代表数字的文本被计算在内。包含 TRUE 的参数作为 1 来计算；包含文本或 FALSE 的参数作为 0（零）来计算。如果参数为数组或引用，则只使用其中的数值。 数组或引用中的空白单元格和文本值将被忽略。如果参数为错误值或为不能转换为数字的文本，将会导致错误。如果要使计算不包括引用中的逻辑值和代表数字的文本，请使用 VARP 函数。VARPA 的公式为：

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

案例

WEIBULL.DIST 函数

描述

返回 Weibull 分布。 可以将该分布用于可靠性分析，例如计算设备出现故障的平均时间。

用法

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

WEIBULL.DIST 函数用法具有下列参数：

X必需。 用来计算函数的值。Alpha必需。 分布参数。Beta必需。 分布参数。cumulative必需。 确定函数的形式。

备注

如果 x、alpha 或 beta 是非数值的，则 WEIBULL.DIST 返回 错误值 #VALUE!。如果 x 0，则 WEIBULL.DIST 返回 错误值 #NUM!。如果 alpha ≤ 0 或 beta ≤ 0，则 WEIBULL.DIST 返回 错误值 #NUM!。Weibull 累积分布函数的公式为：

Weibull 概率密度函数的公式为：

当 alpha = 1，函数 WEIBULL.DIST 返回指数分布：

案例

Z.TEST 函数

　　【IT168 技术】本文推荐一些免费的预测分析软件，它们主要用于分析统计使用，机器学习和数据挖掘来寻找关于客户行为，市场趋势和原始数据集中其他领域的线索的相关性和模式。其中一些预测建模解决方案可通过许可，免费获得开源或社区版本;其中一些预测分析软件是商业版本的免费版或社区版，但提供的功能较少。

　　什么是预测分析软件?

　　预测分析是高级分析的一个分支，用于对未来未知事件进行预测。预测分析使用数据挖掘，统计，建模，机器学习和人工智能等多种技术来分析当前数据，以预测未来!那么下面将为大家简单介绍一下以下的20多款工具!

　　1.R Software Environment

　　R是用于统计计算和图形的免费软件，可运行在各种UNIX，Windows和Mac OS平台上。R提供了广泛的统计功能，如线性，非线性建模，经典统计测试，时间序列分析，分类，聚类和图形技术。它也是高度可扩展的，提供数据操作，计算和图形显示，数据处理，数组计算，数据分析工具，包括条件，循环和许多其他功能的编程语言。语言主要用于统计方法论的研究，R为它们提供了一个开源的途径，可以在R中产生精心设计的质量图，包括数学符号和公式。

　　2.Dataiku

　　Dataiku Data Studio(DSS)是一个软件平台，汇总了从原始数据到生产应用程序所需的所有步骤和大数据工具。DSS分析数据通过简单的界面操作，即可找到数据中的相关性和重要变量，并测试最佳拟合模型。DSS还可以将模型和预测值发布到各种其他目的地，例如ElasticSearch，FTP服务器和内部数据仓库。

▲

　　3.Orange Data mining

　　Orange Data mining是一个开源的数据可视化和分析工具。数据挖掘是通过可视化编程或通过Python脚本完成的。Orange会记住这些选择，提供最常用的组合，并智能地选择要使用的小部件之间的通信通道。可以利用情节，条形图，树状图，网络和热图来进行可视化。有机器学习的组件，可用于生物信息学和文本挖掘。该解决方案包含了用于数据分析的功能，并且在Orange中有超过100个小部件。

▲

　　4.RapidMiner

　　RapidMiner可作为数据分析的独立应用程序使用，也可作为集成到专有产品中的数据挖掘引擎。RapidMiner提供数据挖掘和机器学习程序，包括数据加载和转换，数据预处理，可视化，建模，评估和部署。RapidMiner是用Java编程语言编写的。它采用的学习计划和归属来自于Weka的机器学习环境，统计建模方案来自R Project。可用于文本挖掘，多媒体挖掘，功能设计，数据流挖掘的集成方法的发展，以及分布式数据挖掘。

　　RapidMiner v6.0仍然是开源的。RapidMiner的最新版本现在仅作为试用版或商业许可证提供。

▲

　　5.Anaconda

　　Anaconda是一个由Python支持的开放式数据科学平台。 Anaconda的开源版本是Python和R的高性能版本，包括超过100种用于数据科学的最受欢迎的Python，R和Scala软件包。还可以访问超过720个软件包，可以使用包含在Anaconda中的conda，包，从属关系等。

▲

　　6.KNIME

　　KNIME桌面版是开源的，是用户友好的数据访问，数据转换，初步调查，预测分析，可视化和报告的图形工作台。开放的集成平台提供了1000多个模块或节点。KNIME还提供了基于数据信息开发报告的能力，并将新见解的应用自动化回到生产系统。KNIME产品有KNIME Desktop，KNIME Professional，KNIME Team Space，KNIME Server和KNIME Cluster Execution。 KNIME Desktop可以自由下载到桌面。基于Eclipse平台的，并且有双重许可证。非开源产品中的功能包括共享存储库，身份验证，远程执行，调度，SOA集成和Web用户界面。

▲

　　7.DMWay

　　DMWay使得预测分析更易于获取并且价格合理。DMWay解决方案允许用户在几个小时或几天而不是几个月的时间内建立更好的预测模型，这可以适应任何行业。DMWay分析引擎可以提供最高级别的建模。分析引擎设计用于模拟经验丰富的数据科学家采取的步骤，以建立准确有效的分析模型。DMWay评分引擎是建议企业寻求协助部署由分析引擎提供的预测分析结果的工具。

　　这个创新的解决方案是通过使用专家系统方法而不是“机器人”方法来实现的，模仿有经验的数据科学家关于构建大规模预测模型的方式。DMWay评分引擎是为企业寻求协助部署由分析引擎提供的预测分析结果而推荐的工具。

▲

　　8.HP Haven Predictive Analytics

　　HP Distributed R是R语言的开源，可扩展和高性能平台，可加速大规模机器学习，统计分析和图形处理。Haven Predictive Analytics为HP Vertica提供数据加速和原生SQL支持。与市场领先的列式MPP数据库的本地集成将总体数据访问性能提高了5倍，并提供了一整套经过验证的开箱即用的并行算法，以成熟的标准R算法生成准确一致的结果。是预测分析免费，完全兼容开源R语言和工具，并得到惠普企业的支持，并按每个节点定价。HP Haven Predictive Analytics由HP Vertica和Distributed R提供支持。Distributed R是基于与HP Labs开发的开放源代码R语言的高性能分析引擎，可满足要求最苛刻的大数据预测分析任务。分布式R提高了性能，并允许用户分析比以前流行的R统计编程语言更大的数据集。

　　9.GraphLab Create

　　GraphLab Create是一个为开发人员和数据科学家构建的机器学习平台，具有函数式编程技巧和对数据科学的一些基本理解。能够轻松地实现从想法到生产的原型和规模。示例服务包括推荐系统，欺诈检测或客户流失预测器。开发人员和数据科学家能够快速部署并轻松与其他应用程序集成。Discover版本提供免费的开发者许可证，并提供社区论坛支持。

▲

　　10.Lavastorm分析引擎

　　Lavastorm分析引擎公开版是一个易于使用，成本效益的工具，用于临时发现和业务分析。公开版对于希望将分析处理能力放在桌面上的用户非常理想，而且不需要大型数据处理能力，提供自动持续分析和协作功能。Lavastorm是一种可视化的数据发现解决方案，可以让你快速整合不同的数据，轻松发现洞察，并持续检测异常，异常值或模式。它为企业用户提供自助服务能力，为IT用户提供集成，分析和业务控制领域的快速开发能力。其功能包括从任何来源(包括大数据源)获取，转换，合并和丰富数据，而不需要大量建模，预先规划或用脚本。可检测数据问题，如完整性，格式不一致，准确性，自动化评估和清理流程。

▲

　　11.Actian Vector Express

　　Actian Analytics Platform(Express Hadoop SQL Edition)是Hadoop内部运行100%的免费社区版的端到端分析平台。Actian分析平台将Hadoop转变为一个高性能的分析平台，使企业能够通过分析来自多个来源的数据而无需采样，从而提高预测和决策的准确性。Actian Express，Hadoop SQL Edition使用现有的Hadoop集群提供高速和性价比。Actian Vector Express是Actian分析平台的免费社区版本，旨在提供快速简单的方法来提高分析的性能。它建立在基于矢量的分析数据库基础之上，Actian Express提供很好的性能和性价比，并且需要更少的硬件，几乎不需要调整。Actian Vector Express包括以下功能：分析工作台 - 快速构建可视工作流程准备，转换和分析数据，分析数据库 - 在几秒钟内运行复杂的查询反对数十亿条记录和管理控制台。

▲

　　12.Scikit-learn

　　scikit-learn是简单高效的数据挖掘和数据分析工具。它是Python中的机器学习库，建立在NumPy，SciPy和matplotlib之上，它也是开源的。其特点包括分类，回归，聚类，降维，模型选择和预处理。

▲

　　13.微软R

　　R是强大的，用于统计计算，机器学习和图形的首选编程语言，并得到用户，开发者的繁荣的社区支持。R家族包括，服务器，客户端，SQL Server等服务。支持各种大数据统计，预测建模和机器学习功能，R Server支持基于开源R的全方位的分析探索，分析，可视化和建模。Microsoft R客户端是免费的社区支持。

　　14.H2O.ai

　　H2O是一个开源的预测分析平台。H2O用户可以轻松地从微软Excel和RStudio中探索和建模大数据，并将其与来自HDFS，S3，SQL和NoSQL数据源的数据连接起来。H2O讲述了数据科学的语言，支持R，Python，Scala，Java和强大的REST API。业务应用程序由H2O的NanoFastTM评分引擎提供支持。包括：分布式算法和回归树，如GBM，随机森林(RF)，广义线性模型(GLM)，k-均值和主成分分析(PCA)。

　　15.Weka Data Mining

　　Weka是用于数据挖掘任务的机器学习算法的集合。算法可以直接应用于数据集，也可以从Java代码调用。Weka包含用于数据处理，分类，回归，聚类，关联规则和可视化的工具。它也非常适合开发新的机器学习方案。 Weka是用Java编写的，由新西兰怀卡托大学开发。

▲

　　16.Apache Spark

　　Apache Spark是用于大规模数据处理的快速且通用的引擎。Spark需要一个集群管理器和一个分布式存储系统。对于集群管理，Spark支持独立(本地Spark集群)，Hadoop YARN或Apache Mesos。对于分布式存储，Spark能与各种各样的，包括Hadoop分布式文件系统(HDFS)，MAPRA文件系统(FS-MAPRA)，Cassandra，OpenStack Swift，亚马逊S3，Kudu，或自定义解决方案实现对接。

　　17.Octave

　　Octave是数字计算的高级解释语言。它提供了数据可视化和操纵的线性，非线性问题和图形的解决方案。有许多可用于公共数值线性代数解决问题的工具，寻找非线性方程的根，集成普通功能，操纵多项式，及整合的普通微分和代数微分方程。

▲

　　18.Tanagra

　　Tanagra是一个用于学术和研究目的的免费数据挖掘软件，它具有探索性数据分析，统计学习，机器学习和数据库等多种数据挖掘方法的功能。支持标准的数据挖掘任务，如：可视化，描述性统计，实例选择，特征选择，功能建设，回归，影响因子分析，聚类，分类和关联规则的学习。

　　19.PredictionIO

　　PredictionIO是一款开源的机器学习服务器，可以让软件开发人员创建个性化，推荐和内容发现等预测功能。通过PredictionIO，预测这种特点的用户行为，提供个性化的视频，新闻，交易，广告，职位，事件，文件，应用程序，餐馆和匹配服务。

　　20.Apache Mahout

　　Apache Mahout提供可扩展的机器学习算法，主要集中在协作过滤，聚类和分类。许多实现使用Apache Hadoop平台，包括成熟的Hadoop MapReduce算法，Scala，Spark和H2O算法。协同过滤：基于用户的协同过滤，基于项目的协同过滤，矩阵分解与ALS，矩阵分解与隐式反馈和加权矩阵分解，SVD + ALS。

上次给大家分享了《2018年最全的excel函数大全14—统计函数（6）》，这次分享给大家统计函数（7）。

PERCENTRANK.INC 函数

描述

将某个数值在数据集中的排位作为数据集的百分比值返回，此处的百分比值的范围为 0 到 1（含 0 和 1）。

此函数可用于计算值在数据集内的相对位置。 例如，可以使用 PERCENTRANK.INC 计算能力测试得分在所有测试得分中的位置。

用法

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

PERCENTRANK.INC 函数用法具有下列参数：

Array必需。 定义相对位置的数值数组或数值数据区域。X必需。 需要得到其排位的值。significance可选。 用于标识返回的百分比值的有效位数的值。 如果省略，则 PERCENTRANK.INC 使用 3 位小数 (0.xxx)。

备注

如果数组为空，则 PERCENTRANK.INC 返回 错误值 #NUM!。如果 significance 1，则 PERCENTRANK.INC 返回 错误值 #NUM!。如果数组里没有与 x 相匹配的值，函数 PERCENTRANK.INC 将进行插值以返回正确的百分比排位。

案例

PERMUT 函数

描述

返回可从数字对象中选择的给定数目对象的排列数。 排列为对象或事件的任意集合或子集，内部顺序很重要。 排列与组合不同，组合的内部顺序并不重要。 此函数可用于彩票抽奖的概率计算。

用法

PERMUT(number, number_chosen)

PERMUT 函数用法具有下列参数：

Number必需。 表示对象个数的整数。Number_chosen必需。 表示每个排列中对象个数的整数。

备注

两个参数将被截尾取整。如果 number 或 number_chosen 是非数值的，则 PERMUT 返回 错误值 #VALUE!。如果 number ≤ 0 或 number_chosen 0，则 PERMUT 返回 错误值 #NUM!。如果 number number_chosen，则 PERMUT 返回 错误值 #NUM!。排列数的计算公式如下：

案例

PERMUTATIONA 函数

描述

返回可从对象总数中选择的给定数目对象（含重复）的排列数。

用法

PERMUTATIONA(number, number-chosen)

PERMUTATIONA 函数用法具有下列参数。

Number 必需。表示对象总数的整数。Number_chosen 必需。 表示每个排列中对象数目的整数。

PERMUTATIONA 使用下面的公式：

备注

两个参数将被截尾取整。如果数字参数值无效，例如，当总数为零 (0) 但所选数目大于零 (0)，则 PERMUTATIONA 返回错误值 #NUM! 。如果数字参数使用的是非数值数据类型，则 PERMUTATIONA 返回错误值 #VALUE! 。

案例

PHI 函数

描述

返回标准正态分布的密度函数值。

用法

PHI(x)

PHI 函数用法具有下列参数。

X 必需。 X 是所需的标准正态分布密度值。

备注

如果 x 是无效的数值，则 PHI 返回错误值 #NUM! 。如果 x 使用的是无效的数据类型，如非数值，则 PHI 返回错误值 #VALUE! 。

案例

POISSON.DIST 函数

描述

返回泊松分布。 泊松分布的一个常见应用是预测特定时间内的事件数，例如 1 分钟内到达收费停车场的汽车数。

用法

POISSON.DIST(x,mean,cumulative)

POISSON.DIST 函数用法具有下列参数：

X必需。 事件数。Mean必需。 期望值。cumulative必需。 一逻辑值，确定所返回的概率分布的形式。 如果 cumulative 为 TRUE，则 POISSON.DIST 返回发生的随机事件数在零（含零）和 x（含 x）之间的累积泊松概率；如果为 FALSE，则 POISSON 返回发生的事件数正好是 x 的泊松概率密度函数。

备注

如果 x 不是整数，将被截尾取整。如果 x 或 mean 是非数值的，则 POISSON.DIST 返回 错误值 #VALUE!。如果 x 0，则 POISSON.DIST 返回 错误值 #NUM!。如果 mean 0，则 POISSON.DIST 返回 错误值 #NUM!。函数 POISSON.DIST 的计算公式如下：

对于 cumulative = FALSE：

对于 cumulative = TRUE：

案例

PROB 函数

描述

返回区域中的数值落在指定区间内的概率。 如果未提供 upper_limit，则返回 x_range 中的值等于 lower_limit 的概率。

用法

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

PROB 函数用法具有下列参数：

X_range必需。 具有各自相应概率值的 x 数值区域。Prob_range必需。 与 x_range 中的值相关联的一组概率值。Lower_limit可选。 要计算其概率的数值下界。Upper_limit可选。 要计算其概率的可选数值上界。

备注

如果 prob_range 中的任意值 ≤ 0 或 1，则 PROB 返回 错误值 #NUM!。如果 prob_range 中所有值之和不等于 1，则 PROB 返回 错误值 #NUM!。如果省略 upper_limit，函数 PROB 返回值等于 lower_limit 时的概率。如果 x_range 和 prob_range 中的数据点个数不同，函数 PROB 返回错误值 #N/A。

案例

QUARTILE.EXC 函数

描述

基于 0 到 1 之间（不包括 0 和 1）的百分点值返回数据集的四分位数。

用法

QUARTILE.EXC(array,quart)

QUARTILE.EXC 函数用法具有下列参数：

Array必需。 要求得四分位数值的数组或数字型单元格区域。Quart必需。 指定返回哪一个值。

备注

如果 array 为空，则 QUARTILE.EXC 返回 错误值 #NUM!。如果 quart 不为整数，将被截尾取整。如果 quart ≤ 0 或 quart ≥ 4，则 QUARTILE.EXC 返回 错误值 #NUM!。当 quart 分别等于 0（零）、2 和 4 时，MIN、MEDIAN 和 MAX 返回的值与函数 QUARTILE.EXC 返回的值相同。

案例

QUARTILE.INC 函数

描述

根据 0 到 1 之间的百分点值（包含 0 和 1）返回数据集的四分位数。

四分位点通常用于销售和调查数据，以对总体进行分组。 例如，您可以使用 QUARTILE.INC 查找总体中前 25% 的收入值。

用法

QUARTILE.INC(array,quart)

QUARTILE.INC 函数用法具有下列参数：

Array必需。 要求得四分位数值的数组或数字型单元格区域。Quart必需。 指定返回哪一个值。

参数

备注

如果 array 为空，则 QUARTILE.INC 返回 错误值 #NUM!。如果 quart 不为整数，将被截尾取整。如果 quart 0 或 quart 4，则 QUARTILE.INC 返回 错误值 #NUM!。当 quart 分别等于 0（零）、2 和 4 时，函数 MIN、MEDIAN 和 MAX 返回的值与函数 QUARTILE.INC 返回的值相同。

案例

以上是所有EXCEL的统计函数（7）描述用法以及使用案例。这次分享中存在哪些疑问或者哪些不足，可以在下面进行评论。如果觉得不错，可以分享给你的朋友，让大家一起掌握这些excel的统计函数（7）。

上次给大家分享了《2018年最全的excel函数大全14—统计函数（7）》，这次分享给大家统计函数（8）。

RANK.AVG 函数

描述

返回一列数字的数字排位：数字的排位是其大小与列表中其他值的比值；如果多个值具有相同的排位，则将返回平均排位。

用法

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

RANK.AVG 函数用法具有下列参数：

Number必需。 要找到其排位的数字。Ref必需。 数字列表的数组，对数字列表的引用。 Ref 中的非数字值会被忽略。Order可选。 一个指定数字排位方式的数字。

备注

如果 Order 为 0（零）或省略，Excel 对数字的排位是基于 ref 为按降序排列的列表。如果 Order 不为零，Excel 对数字的排位是基于 ref 为按升序排列的列表。

案例

RANK.EQ 函数

描述

返回一列数字的数字排位。 其大小与列表中其他值相关；如果多个值具有相同的排位，则返回该组值的最高排位。

如果要对列表进行排序，则数字排位可作为其位置。

用法

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

RANK.EQ 函数用法具有下列参数：

Number必需。 要找到其排位的数字。Ref必需。 数字列表的数组，对数字列表的引用。 Ref 中的非数字值会被忽略。Order可选。 一个指定数字排位方式的数字。

备注

如果 Order 为 0（零）或省略，Excel 对数字的排位是基于 Ref 为按降序排列的列表。如果 Order 不为零， Excel 对数字的排位是基于 Ref 为按照升序排列的列表。RANK.EQ 赋予重复数相同的排位。 但重复数的存在将影响后续数值的排位。 例如，在按升序排序的整数列表中，如果数字 10 出现两次，且其排位为 5，则 11 的排位为 7（没有排位为 6 的数值）。要达到某些目的，可能需要使用将关联考虑在内的排位定义。 在上一案例中，可能需要将数字 10 的排位修改为 5.5。 这可以通过向 RANK.EQ 返回的值添加以下修正系数来实现。 此修正系数适用于按降序排序（order = 0 或省略）和按升序排序（order = 非零值）计算排位的情况。

关联排位的修正系数 =[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。 修正系数为 (5 + 1 – 2 – 3)/2 = 0.5，将关联考虑在内的修订排位为 3 + 0.5 = 3.5。 如果数字在 ref 中仅出现一次，此修正系数将为 0，因为无需调整 RANK.EQ 以进行关联。

案例

RSQ 函数

描述

通过 known_y's 和 known_x's 中的数据点返回皮尔生乘积矩相关系数的平方。有关详细信息，请参阅PEARSON 函数。R 平方值可以解释为 y 方差可归于 x 方差的比例。

用法

RSQ(known_y's,known_x's)

RSQ 函数用法具有下列参数：

Known_y's必需。 数组或数据点区域。Known_x's必需。 数组或数据点区域。

备注

参数可以是数字或者是包含数字的名称、数组或引用。逻辑值和直接键入到参数列表中代表数字的文本被计算在内。如果数组或引用参数包含文本、逻辑值或空白单元格，则这些值将被忽略；但包含零值的单元格将计算在内。如果参数为错误值或为不能转换为数字的文本，将会导致错误。如果 known_y's 和 known_x's 为空或其数据点个数不同，函数 RSQ 返回错误值 #N/A。如果 known_y's 和 known_x's 只包含 1 个数据点，则 RSQ 返回 错误值 #p/0!。皮尔生(Pearson)乘积矩相关系数 r 的计算公式如下：

其中 x 和 y 是样本平均值 AVERAGE(known_x's) 和 AVERAGE(known_y's)。

RSQ 返回 r2，即相关系数的平方。

案例

SKEW 函数

描述

返回分布的偏斜度。 偏斜度表明分布相对于平均值的不对称程度。 正偏斜度表明分布的不对称尾部趋向于更多正值。 负偏斜度表明分布的不对称尾部趋向于更多负值。

用法

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

SKEW 函数用法具有下列参数：

number1, number2, ...Number1 是必需的，后续数字是可选的。 用于计算偏斜度的 1 到 255 个参数。 也可以用单一数组或对某个数组的引用来代替用逗号分隔的参数。

备注

参数可以是数字或者是包含数字的名称、数组或引用。逻辑值和直接键入到参数列表中代表数字的文本被计算在内。如果数组或引用参数包含文本、逻辑值或空白单元格，则这些值将被忽略；但包含零值的单元格将计算在内。如果参数为错误值或为不能转换为数字的文本，将会导致错误。如果数据点个数少于三，或者样本标准偏差为零，则 SKEW 返回 错误值 #p/0!。偏斜度公式的定义如下：

案例

SKEW.P 函数

描述

返回基于样本总体的分布不对称度：表明分布相对于平均值的不对称程度。

用法

SKEW.P(number 1, [number 2],…)

SKEW.P 函数用法具有下列参数。

Number 1, number 2,…Number 1 是必选项，后续数字是可选项。Number 1、number 2、… 等是 1 至 254 个数字，或包含数字的名称、数组或引用，您要以此函数获得其样本总体的分布不对称度。

SKEW.P 使用下面的公式：

备注

参数可以是数字或者是包含数字的名称、数组或引用。逻辑值和直接键入到参数列表中代表数字的文本被计算在内。如果数组或引用参数包含文本、逻辑值或空白单元格，则这些值将被忽略；但包含零 (0) 值的单元格将计算在内。SKEW.P 使用样本总体的标准偏差，而非一个样本。如果参数值无效，SKEW.P 返回错误值 #NUM!。如果参数使用的数据类型无效，SKEW.P 返回错误值 #VALUE!。如果数据点个数少于三，或者样本标准偏差为零，SKEW.P 返回错误值 #p/0!。

案例

SLOPE 函数

描述

返回通过 known_y's 和 known_x's 中数据点的线性回归线的斜率。 斜率为垂直距离除以线上任意两个点之间的水平距离，即回归线的变化率。

用法

SLOPE(known_y's, known_x's)

SLOPE 函数用法具有下列参数：

Known_y's必需。 数字型因变量数据点数组或单元格区域。Known_x's必需。 自变量数据点集合。

备注

参数可以是数字，或者是包含数字的名称、数组或引用。如果数组或引用参数包含文本、逻辑值或空白单元格，则这些值将被忽略；但包含零值的单元格将计算在内。如果 known_y's 和 known_x's 为空或其数据点个数不同，函数 SLOPE 返回错误值 #N/A。回归直线的斜率计算公式如下：

其中 x 和 y 是样本平均值 AVERAGE(known_x's) 和 AVERAGE(known_y's)。

SLOPE 和 INTERCEPT 函数中使用的下层算法与 LINEST 函数中使用的下层算法不同。 当数据未定且共线时，这些算法之间的差异会导致不同的结果。 例如，如果参数 known_y's 的数据点为 0，参数 known_x's 的数据点为 1：SLOPE 和 INTERCEPT 返回 错误 #p/0!。 SLOPE 和 INTERCEPT 的算法用于只查找一个答案，在这种情况下，还可能会出现多个答案。LINEST 会返回值 0。 LINEST 的算法用来返回共线数据的合理结果，在这种情况下至少可找到一个答案。

案例

SMALL 函数

描述

返回数据集中的第 k 个最小值。 使用此函数以返回在数据集内特定相对位置上的值。

用法

SMALL(array,k)

SMALL 函数用法具有下列参数：

Array必需。 需要找到第 k 个最小值的数组或数值数据区域。K必需。 要返回的数据在数组或数据区域里的位置（从小到大）。

备注

如果 array 为空，则 SMALL 返回 错误值 #NUM!。如果 k ≤ 0 或 k 超过了数据点个数，则 SMALL 返回 错误值 #NUM!。如果 n 为数组中的数据点个数，则 SMALL(array,1) 等于最小值，SMALL(array,n) 等于最大值。

案例

STANDARDIZE 函数

描述

返回由 mean 和 standard_dev 表示的分布的规范化值。

用法

STANDARDIZE(x, mean, standard_dev)

STANDARDIZE 函数用法具有下列参数：

X必需。 需要进行正态化的数值。Mean必需。分布的算术平均值。standard_dev必需。分布的标准偏差。

备注

如果 standard_dev ≤ 0，则 STANDARDIZE 返回错误值 #NUM!。规范化值的公式为：

案例

STDEV.P 函数

描述

计算基于以参数形式给出的整个样本总体的标准偏差（忽略逻辑值和文本）。

标准偏差可以测量值在平均值（中值）附近分布的范围大小。

用法

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

STDEV.P 函数用法具有下列参数：

Number1必需。对应于总体的第一个数值参数。Number2, ...可选。对应于总体的 2 到 254 个数值参数。也可以用单一数组或对某个数组的引用来代替用逗号分隔的参数。

备注

STDEV.P 假定其参数是整个总体。如果数据代表总体样本，请使用 STDEV 计算标准偏差。对于大样本容量，函数 STDEV.S 和 STDEV.P 计算结果大致相等。此处标准偏差的计算使用“n”方法。参数可以是数字或者是包含数字的名称、数组或引用。逻辑值和直接键入到参数列表中代表数字的文本被计算在内。如果参数是一个数组或引用，则只计算其中的数字。数组或引用中的空白单元格、逻辑值、文本或错误值将被忽略。如果参数为错误值或为不能转换为数字的文本，将会导致错误。如果要使计算包含引用中的逻辑值和代表数字的文本，请使用 STDEVPA 函数。函数 STDEV.P 的计算公式如下：

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

案例

STDEV.S 函数

描述

基于样本估算标准偏差（忽略样本中的逻辑值和文本）。

标准偏差可以测量值在平均值（中值）附近分布的范围大小。

用法

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

STDEV.S 函数用法具有下列参数：

Number1必需。对应于总体样本的第一个数值参数。也可以用单一数组或对某个数组的引用来代替用逗号分隔的参数。Number2, ...可选。对应于总体样本的 2 到 254 个数值参数。也可以用单一数组或对某个数组的引用来代替用逗号分隔的参数。

备注

STDEV.S 假设其参数是总体样本。如果数据代表整个总体，请使用 STDEV.P 计算标准偏差。此处标准偏差的计算使用“n-1”方法。参数可以是数字或者是包含数字的名称、数组或引用。逻辑值和直接键入到参数列表中代表数字的文本被计算在内。如果参数是一个数组或引用，则只计算其中的数字。数组或引用中的空白单元格、逻辑值、文本或错误值将被忽略。如果参数为错误值或为不能转换为数字的文本，将会导致错误。如果要使计算包含引用中的逻辑值和代表数字的文本，请使用 STDEVA 函数。函数 STDEV.S 的计算公式如下：

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

案例

STDEVA 函数

描述

根据样本估计标准偏差。 标准偏差可以测量值在平均值（中值）附近分布的范围大小。

用法

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

STDEVA 函数用法具有下列参数：

Value1, value2, ...Value1 是必需的，后续值是可选的。 对应于总体样本的 1 到 255 个值。 也可以用单一数组或对某个数组的引用来代替用逗号分隔的参数。

备注

STDEVA 假定其参数是总体样本。 如果数据代表整个总体，则必须使用 STDEVPA 计算标准偏差。此处标准偏差的计算使用“n-1”方法。参数可以是下列形式：数值；包含数值的名称、数组或引用；数字的文本表示；或者引用中的逻辑值，例如 TRUE 和 FALSE。包含 TRUE 的参数作为 1 来计算；包含文本或 FALSE 的参数作为 0（零）来计算。如果参数为数组或引用，则只使用其中的数值。 数组或引用中的空白单元格和文本值将被忽略。如果参数为错误值或为不能转换为数字的文本，将会导致错误。如果要使计算不包括引用中的逻辑值和代表数字的文本，请使用 STDEV 函数。STDEVA 使用下面的公式：

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

案例

以上是所有EXCEL的统计函数（8）描述用法以及使用案例。这次分享中存在哪些疑问或者哪些不足，可以在下面进行评论。如果觉得不错，可以分享给你的朋友，让大家一起掌握这些excel的统计函数（8）。

1、 年度经营计划

年度经营计划是营业部编制的、并经过公司审核同意的、在下一年度实施的、指导营业部业绩、人力和其它经营活动目标和实现目标的途径及措施。年度经营计划是企业战略的实施和落实，是战略规划第1年的具体实施，其目的是为了实现战略目标，最终实现企业长远发展。

年度经营计划是围绕已确定的战略目标编制的，是战略规划的行动实施，是对企业战略规划中第一年目标的分解落实，年度经营计划是企业在本年度内的运营指南，年度经营计划是企业及各部门对企业进行日常监管和分析的依据，年度经营计划是对企业进行年度业绩考评的依据。

1.1、经营计划需求

1.2、经营计划立项

1.3、经营计划预算

1.4、经营计划跟踪

服务器过去半年间发生了四大变化，使传统数据中心在管理方式和智能运维方面发生改变；超融合设备在私有云领域成为流行，HPC高性能计算与机器学习相互成就，服务器品牌之间的关系也发生了微妙变化。

图片来自samsung

开源改变数据中心管理

传统企业IT系统中最不智能的部分，需要人工处理很多数据，甚至机器宕机都要人工取数据中心现场检查，更不能实现提前预知数据中心可能会出现的问题。

实际上，人们对数据中心的改造一直在继续，但却没有突破性的改变。早在2011年，硬件的世界还没有那么开放的时候，Fcacebook作为社交媒体巨头，数据量成几何倍数增长，Facebook对于数据中心的需求越来越大，Facebook乔纳森·海利格(Jonathan Heiliger)首次向扎尔伯格提出了OCP（开放计算项目）的主张。

开源改变了数据中心硬件的结构，也改变了软件和运维的模式。数据中心Imanager、Easy数据中心IM、Ansible Tower、Puppet Enterprise等都是开源的数据中心自动化管理软件。这些开源软件和DevOps改变了数据中心的管理场景和流程。

高性能计算融合机器学习

高性能计算已经成为行业内新标准，但高性能计算长期遇到的问题是：技术与产业结合弱的问题。而在过去半年，我们发现，将高性能计算与机器学习相融合，是一条不错的发展路径。而且AI不同于云计算只做水、电一样的基础设施，而是要做创新、要做赋能。

人工智能行业似乎每天都在飞速向前发展，语音识别能力不断增强，图片识别精准度不断提升，一片欣欣向荣景象。但是如今的AI和机器学习却面临着几个严重的问题和挑战，即人才的缺乏和从技术转向产品产出价值的难题。

人才缺乏同样是高性能计算面临的难题，而这道难题的答案只能由时间来给出。另外一个问题的答案则需要赋能机器学习，通过与其他技术相融合，产出价值。

服务器突破传统品牌

在品牌服务器中，似乎已经大局已定。但是在过去半年中，发布了AI服务器等高密度、场景化的服务器，突破了传统品牌所能给予的力量。

而在传统服务器市场中，已经占据国内大部分市场份额的几大服务器品牌商间，国内服务器品牌也开始大力布局国际市场，大有颠覆现有格局之势。

超融合独角兽待定

超融合架构在今年着实火了一把，想从后台到前端一条龙包揽，如今看来超融合将成为未来企业必定会选择的发展方向，形成一个由IT基础设施提供商搭建了一个包含虚拟化、软件、硬件、应用的完整的解决方案。

过去半年见，国外原存储大厂、国内云计算相关企业、存储相关企业、计算硬件供应商均发布了自己的超融合产品。有人说此时入局已晚，但笔者认为超融合未来可期，超融合独角兽待定。

对于企业级IT小白而言，贸然进入超融合领域并不可取，但如果IT厂商拥有超融合相关技术基础入局不晚。企业级IT是一个门槛较高的行业，而超融合技术脱胎于对基础资源的整合，如果一家拥有深厚IT底蕴的公司，自身拥有深厚的IT基础设施研发技术和经验，同时拥有完善的外围生态圈，例如虚拟化、ISV等合作伙伴。

白牌压制品牌

一个成熟的市场往往不会出现变革性的动荡，而企业及硬件就是这样的市场环境。服务器品牌市场足够成熟，虽然受到政策影响，依然变化不大。超融合设备出现了很多新的品牌加入，但是距离角逐出超融合领域的独角兽，依然需要有很长的市场去考验。hpc市场由于技术门槛比较高，建立了较高壁垒， 市场变化不大。

值得一提的是，白牌服务器势头很足压制得品牌服务越来越难，甚至需要通过压价来提升市场占有率。在这种背景下，传统服务器厂商更加注重市场需求，力求突破传统品牌。

结束语

半年的时间对于服务器变化来说应该不大，以上4点变化对2018年上半年来说已经足够了。