表格的函数使用方法(函数用法指南)-路由通

表格作为数据处理的核心载体，其函数体系是连接原始数据与分析结果的桥梁。随着Excel、Google Sheets、Python（Pandas）等多平台生态的成熟，表格函数已从简单的数学运算演化为涵盖数据清洗、统计分析、动态建模的全链路工具链。不同平台在语法结构、功能边界、性能优化等方面形成显著差异：Excel以单元格为核心的交互式操作擅长快速原型开发，Google Sheets通过云端协作和数组公式实现团队协同，而Python则凭借代码化流程处理海量数据。本文将从八个维度解析函数使用方法，重点对比三平台在数据计算、文本处理、逻辑判断等场景中的差异，并通过销售额分析、客户信息匹配、库存预警三个典型业务场景的函数实现，揭示跨平台函数设计的逻辑共性与技术特性。

表格的函数使用方法

一、基础数据计算函数

基础计算函数构成表格函数的底层逻辑，包括求和（SUM）、平均值（AVERAGE）、计数（COUNT）等。

函数类型	Excel语法	Google Sheets语法	Python(Pandas)语法
求和函数	=SUM(A1:A10)	=SUM(A1:A10)	df['列名'].sum()
平均值函数	=AVERAGE(B1:B10)	=AVERAGE(B1:B10)	df['列名'].mean()
条件计数	=COUNTIF(C1:C10,">100")	=COUNTIF(C1:C10,">100")	df[df['列名']>100].shape[0]

核心差异：Excel/Google Sheets依赖单元格范围参数，而Python通过DataFrame对象直接调用列名。Google Sheets支持数组公式自动扩展（如=ARRAYFORMULA(SUM(A1:A))），Python则需显式指定axis参数（如sum(axis=1)）实现行列切换。

二、文本处理函数

文本函数用于数据清洗与标准化，包括提取（LEFT/RIGHT）、替换（SUBSTITUTE）、拼接（CONCATENATE）等操作。

操作类型	Excel语法	Google Sheets语法	Python(Pandas)语法
提取前3字符	=LEFT(A1,3)	=LEFT(A1,3)	df['列名'].str[:3]
替换字符串	=SUBSTITUTE(B1,"-","")	=SUBSTITUTE(B1,"-","")	df['列名'].str.replace("-","")
拼接字段	=A1&"-"&B1	=A1&"-"&B1	df['列1']+'-'+df['列2']

关键对比：Excel/Google Sheets对文本操作需逐单元格处理，而Python通过.str访问器实现向量化操作。Google Sheets的JOIN函数（如=JOIN("-",A1:B1)）可替代拼接，但Python需用agg函数或apply实现多列合并。

三、逻辑判断函数

逻辑函数（IF/AND/OR）是实现条件分支的核心工具，不同平台在嵌套层级和性能优化上存在差异。

判断场景	Excel语法	Google Sheets语法	Python(Pandas)语法
多条件判断	=IF(AND(A1>10,B1<5),"合格","不合格")	=IF(AND(A1>10,B1<5),"合格","不合格")	df.loc[(df['A']>10)&(df['B']<5),'状态']='合格'
多层嵌套	=IFS(A1>80,"优秀",A1>60,"良好",TRUE,"及格")	=IFS(A1>80,"优秀",A1>60,"良好",TRUE,"及格")	pd.cut(df['分数'],bins=[0,60,80,100],labels=['不及格','良好','优秀'])

性能特征：Excel最多支持64层嵌套，Google Sheets通过ARRAYFORMULA可突破限制。Python使用向量化布尔索引（&）替代嵌套，且np.select支持多条件分支，适合处理百万级数据。

四、数据透视函数

数据透视表函数（Excel的PT）、Google Sheets的QUERY、Python的pivot_table是多维分析的核心工具。

操作类型	Excel语法	Google Sheets语法	Python(Pandas)语法
创建透视表	插入透视表向导	=QUERY(A1:C100,"SELECT A,B,SUM(C) GROUP BY A,B")	df.pivot_table(index=['A','B'],values='C',aggfunc='sum')
动态筛选	切片器+时间轴	DATAHORA包+FILTER	df.groupby(['A','B']).filter(lambda x: x['C'].sum()>100)

实现差异：Excel依赖图形化界面操作，Google Sheets通过SQL-like语法实现灵活查询，Python则需组合groupby与filter。在处理动态数据集时，Google Sheets的QUERY可直接引用整个列（如A:C），而Python需显式定义index和columns。

五、统计与趋势函数

统计函数（AVERAGE/MAX/MIN）与趋势函数（FORECAST/TREND）支撑数据分析的定量与预测需求。

函数类型	Excel语法	Google Sheets语法	Python(Pandas)语法
移动平均	=AVERAGE(A1:A7) 拖动填充	=ARRAYFORMULA(AVERAGE(OFFSET(A1,,,7)))	df['列'].rolling(7).mean()
线性预测	=FORECAST.LINEAR(B1,A1:A10,B1:B10)	=FORECAST(B1,FILTER(A1:A10,B1:B10<>""),FILTER(B1:B10,B1:B10<>""))	sm.OLS(df['自变量'],df['因变量']).fit().predict(new_x)

技术特点：Excel通过拖动填充实现窗口计算，Google Sheets需结合OFFSET或ARRAYFORMULA，而Python的rolling方法直接生成时间序列。在预测模型中，Excel/Google Sheets依赖内置算法，Python则需调用statsmodels库实现参数估计。

六、查找与匹配函数

查找函数（VLOOKUP/HLOOKUP）与匹配函数（MATCH/INDEX）是数据关联的核心工具。

操作场景	Excel语法	Google Sheets语法	Python(Pandas)语法
垂直查找	=VLOOKUP(D1,A1:B10,2,FALSE)	=VLOOKUP(D1,A1:B10,2,FALSE)	df.merge(other_df,left_on='key',right_on='key')
动态匹配	=INDEX(A1:A10,MATCH(D1,B1:B10,0))	=INDEX(A1:A10,MATCH(D1,B1:B10,0))	df.set_index('B列')['A列'].reindex(new_keys)

性能对比：Excel的VLOOKUP在大数据量下性能下降显著，Google Sheets的FILTER函数（如=FILTER(A1:B10,B1:B10=D1)）可实现类似效果。Python通过merge或join实现键值关联，且支持多键匹配（on=['key1','key2']）。

七、日期与时间函数

日期函数（TODAY/DATEDIF）和时间函数（HOUR/MINUTE）处理时间序列数据。

操作类型	Excel语法	Google Sheets语法	Python(Pandas)语法
日期差计算	=DATEDIF(A1,B1,"d")	=DATEDIF(A1,B1,"d")	(df['结束日']-df['开始日']).dt.days
工作日计算	=NETWORKDAYS(A1,B1)	=WORKDAY(A1,B1,假期区域)	np.busday_count(df['开始日'],df['结束日'])

关键差异：Excel/Google Sheets的日期函数依赖单元格格式，Python需显式转换datetime类型。Google Sheets的WORKDAY支持自定义假期表，而Python的businessDays需结合节假日数据集实现。

八、数组与动态数组函数

数组公式（Excel的CTRL+SHIFT+ENTER）和动态数组（Google Sheets自动扩展）是处理批量数据的关键。

操作场景	Excel语法	Google Sheets语法	Python(Pandas)语法
多条件求和	{=SUM(IF(A1:A10="北京",B1:B10,0))}	=ARRAYFORMULA(SUM(IF(A1:A10="北京",B1:B10,0)))	(df['城市']=='北京').astype(int)*df['金额'].sum()
动态排序	=SORT(A1:B10,2,FALSE)	=SORT(A1:B10,2,FALSE)	df.sort_values('数值列',ascending=False)

实现原理：Excel数组公式需手动确认，Google Sheets通过ARRAYFORMULA自动填充。Python的向量化操作（如<、+）天然支持数组运算，且apply方法可替代复杂嵌套。在内存占用方面，Excel数组公式可能触发性能瓶颈，而Python的NumPy数组处理更高效。

跨平台函数选型建议