如何利用ChatGPT与Excel协作处理复杂数据？清理无效并深度分析年龄、学历等维度对推销结果的

文章主题：

666ChatGPT办公新姿势，助力做AI时代先行者！

这节课我们学习用 ChatGPT 处理复杂 Excel 数据

一、用ChatGPT 处理复杂 Excel 数据的方法

由于目前 ChatGPT 还不支持上传文件以及对大数据量的处理，

所以我们只能换一种思路结合 Excel 和 ChatGPT 的协作

1.整体思路

我们告诉 ChatGTP 我们想要实现什么样的效果，

让 ChatGPT 告诉我们结果、公式 和 vba 代码，

我们直接按照 ChatGTP 给出的方法执行就行

接下来我们还是通过一个案例来进行讲解

2.数据案例

我们还是使用上节课的数据，大约30条，数据如下：

3.希望通过数据分析出什么

这是一次活动推销的结果的数据，希望通过分析数据：

a.需要分析出哪些维度对推销结果的影响最大

b.如何确定银行定期产品推销中最具价值的客户

c.优化的建议有哪些

d.实行完优化建议后，预期的效果会是什么样

4.清理无用数据的方法

一般我们会先把垃圾数据删掉，比如：恶意填写、错填、漏填的数据。

我喜欢把表格中的无效数据称为：unknown

清理无效数据的方法如下

发送给 ChatGPT：

✨📊你需要这样的Excel自动化技巧吗？🚀只需一行VBA魔法，你的Microsoft Excel文件将焕然一新！💪针对含有”unknown”的烦恼，每一列的不確定元素都将瞬间消失，留下整洁无暇的数据海洋。再也不用担心数据杂乱影响分析啦！🔍使用下面的代码，让Excel自动过滤并删除那些隐藏的秘密行：“`Sub CleanUnknowns() Dim ws As Worksheet, rng As Range ws = ThisWorkbook.Sheets(“你的工作表名称”) ‘替换为你实际的工作表名 rng = ws.Range(“全列范围”) ‘覆盖你想要检查的列范围 If IsError(Range(“A1”).Value) Then rng.Delete End Sub“`复制粘贴到VBA编辑器，然后按F5运行。🎉注意：记得修改工作表名称和选择要清理的列！享受高效且无痕的数据处理吧！💪💻

(VBA ：通过这种代码可以实现 Excel 的复杂逻辑)

ChatGPT 回复：

如果不会用 VBA 代码，

可以发送给 ChatGPT：

如何在 microsoft excel 中使用这段 vba 代码

ChatGPT 回复如下：

您可以按以下步骤在 Microsoft Excel 中使用 VBA 代码：

打开 Excel 文件，按下 Alt F11 进入 Visual Basic 编辑器。

在左边的“项目”窗口中，双击您要向其添加代码的工作簿，然后在新窗口中插入一个新的模块。

在新模块中，复制上面给出的 VBA 代码。

回到 Excel 工作表，按下 Alt F8 打开宏窗口。

选择您刚刚添加的代码，并单击“运行”按钮。

🎉完成编程后，我们的程序会轻轻挥手告别Visual Basic，转向Excel的怀抱！接着，它会帮你细致检查，确保那些调皮的未知数已乖乖消失。别忘了，你的数据安全无虞哦！😊

请注意，运行 VBA 代码可能会直接修改您的 Excel 文件，因此在运行代码之前，请务必备份您的数据集。

接下来我们把 VBA 代码按照使用方式复制到 VBA 编辑框中

点击：执行

最后我们关闭这个 vba 编辑框，

可以发现我们的数据已经清理干净，

没有 unknown 的数据了

5.维度分析

同样我们告诉 ChatGPT

希望让它按照维度来帮我们分析，并告诉我们该怎么做

比如我们希望先分析一下年龄、学历和资产余额维度这几个维度对推销结果的影响最大，

那我们可以

发送给 ChatGPT：

📊📊数据大揭秘🔍🔍！这次营销活动的关键指标全在这张Excel里！🚀目标是搞清楚年龄、学历和资产对销售转化的影响哪个最显著。首先，我们需要聪明地运用VBA来挖掘真相。📝假设Sheet2不存在，不用担心，VBA魔法会自动创建它。`=IF(NOT EXISTS(Sheet2),CREATE_sheet2,”)”`一语道破天机！然后，年龄维度的分析就简单了，`Sub AgeImpact()`，一行代码搞定！老龄化趋势？年轻化优势？这里揭晓！学历层面，用`Dim EducationSheet As Worksheet`定义教育区域，接着进行深度挖掘。同样，资产余额这边，`Sub AssetEffect()`，数据会告诉我们答案。记得在每个函数后面加上`Sheet2.Range(“A1:B10”).Copy To Destination:=Worksheets(“分析结果”).Range(“C:D”)`来整理结果，这样方便后续解读和SEO优化。别忘了，代码要简洁易懂，确保Mac Excel兼容性哦！🏆现在，让我们一起揭开销售数据的神秘面纱，用VBA揭示营销活动的秘密维度吧！🚀

下面列出了数据的结构和对应的解释

“””

Feature Description

age 年龄（数值）

👩‍💼职业大观：探索不同领域的就业之道 📊从行政管理到蓝领技能，再到自主创业者，每个角色都有其独特的魅力。📚清洁工、经理人、退休者，他们的职业选择丰富多样。🚀自由职业者和服务业从业者，展现灵活与创新。🎓学生和技术专家，为知识的海洋添砖加瓦。👩‍💼失业或未知状态，也值得我们深入思考其背后的原因。让我们一起探索这个多元化的世界，发现属于你的职业定位。🌍SEO优化提示：使用行业关键词如”admin职责”、”self-employed机会”等，增加表情符号以提升可读性，保持内容积极正面。

婚姻状态是个人生活中重要的一部分，它反映了个体的情感和社会关系的复杂性。不论是已婚的稳健伴侣，还是离婚后的独立个体，或者是单身的自由追求者，亦或是未知的神秘面纱，每个选项都承载着不同的故事和情感色彩。无论是幸福的红毯之约，还是平淡的相伴一生，每一段婚姻或离异的经历都是生命旅程中不可或缺的篇章。如果你想深入了解某人的婚恋状况，不妨从这些关键词出发：婚姻状态、离婚、结婚、单身生活、情感剖析。

🎓教育历程，涵盖了基础阶段（Primary）、初级阶段（Secondary）、高级阶段（Tertiary），以及那些未知或未明的学术之旅。每个阶段都是通向知识殿堂的重要阶梯，塑造着个人的思维与技能。📚

default 失信状况（分类：yes, no）

balance 资产余额（数值）

housing 房屋贷款（分类：yes, no, unknown）

loan 个人贷款（分类：yes, no, unknown）

contact 联系方式（分类：cellular, telephone）

day 最后一次电话营销的日期（数值：月份中的哪一天）

month 最后一次电话营销的月份（分类：jan, feb, mar, apr,…,nov, dev）

duration 通话时长（数值：以秒为单位，0的话最终输出结果必然是0）

campaign 联系次数（数值：此活动中联系该客户的次数）

pdays 距上次联系完客户后的天数（数值：999代表未联系过该客户）

previous 这次活动前与这位客户联系的次数（数值）

poutcome 上次营销的结果（分类：yes, no, unknown）

deposit 定期存款（分类：yes, no）客户是否已购买定期存款

ChatGPT 回：

同样，

在 Excel 中按下 Alt F11 ，我们把代码放入到 Excel 中的 VBA 编辑框

最后我们在 Sheet 2 中

就可以得到分析出来的结果

6.看不懂数据怎么办？

我们在来问问 ChatGPT

发送给 ChatGPT：

分析出来的有四列，Feature Mean Variance Standard Deviation 解释一下都代表什么意思

ChatGPT回：

Feature: 数据的特征，即所分析的维度

Mean： 平均值，是该特征所有样本值的总和除以样本个数，它可以表示该特征的集中趋势。

Variance: 算术平均数与各观察值偏差平方和的算术平均数。也就是说，每个数值与特征平均值的差值的平方之和的平均值，可以反映出样本的离散程度。

Standard Deviation:标准差是更常用的的用以衡量变量之间的差异性的统计量。简单的说，标准差是方差的算术平方根。标准差越小，则表示从平均数开始，每个数据都比较接近平均水平。反之，则表示很多数据离平均水平较远。

7.可视化分析

前面 ChatGPT 分析出来的结果是表格形式不易理解，

也不清楚哪个维度影响最大，

如果我们也不知道该如何可视化进一步分析，那我们可以接着问：

发送给 ChatGPT：

你认为该以什么样的图形化展示比较好

ChatGPT回：

根据这三个维度的数据，可以采用多条柱形图（Multi-Bar Plot）进行可视化展示，将每个维度的平均值、标准差分别绘制成一条柱形，并按大小排序，以便于观察哪个维度对推销结果的影响最大。另外，也可以考虑使用散点图（Scatter Plot）进行可视化展示，将每个样本的三个维度的值展示在平面坐标系中，以便于观察每个样本在三个维度上的分布情况和特征之间的关系。

希望进一步分析，再发送给 ChatGPT：

那基于 Sheet2 分析出来的数据，使用 多条柱形图 进一步分析出来哪一个维度对推销结果的影响最大，并以图形在 Sheet3 展示，如果 Sheet3不存在请自行创建；请用比较简洁的 vba 代码实现

ChatGPT 回：

同样，在 Excel 中按下 Alt F11 ，我们把代码放入到 Excel 中的 VBA 编辑框

最后，

我们可以得到 Sheet3 的可视化表

8.基于分析结果得出结论

当 ChatGPT 生成了可视化的分析，

进一步让 ChatGPT 帮我们分析出来结论

发送给 ChatGPT：

这是分析出来的结果，解释分析一下

“””

Feature Mean Standard Deviation

age 42.47619048 18.35

education 3.047619048 1.45

balance 22080.95238 34856.84

ChatGPT 回：

根据 Sheet2 分析的数据结果，我们可以得出如上的表格。

Feature: 数据的特征，即所分析的维度，包括 age, education 和 balance。

Mean: 该维度所有样本值的平均值，代表该特征的集中趋势。

Standard Deviation: 标准差是用以衡量变量之间的差异性的统计量，表示该特征的样本数据的离散程度。

通过对比不同特征的标准差，我们可以判断不同特征对推销结果的影响，标准差越大，说明该特征对推销结果的影响越大。

结合上表，我们可以发现 balance 的标准差远大于其他两个特征，因此，资产余额这一特征对推销结果的影响最大。

9.提出优化建议和预测

有了分析出来的结论后，那

可以让 ChatGPT 给出优化的建议，并且预测数据

发送给 ChatGPT：

a.基于这个结果，给出优化建议

b.列出几个可行的措施

c.如果落实了这几个措施，会对结果产生多大影响，用一句话总结，并给出一个大致的比例

二、总结

基于上述案例我们做了什么?

我们可以再次让 ChatGPT 帮我们总结

发送给 ChatGPT：

分析一下这次的对话，列出步骤

ChatGPT 回：

以下是这次对话的步骤：

第一个问题的提出：用户提出了一个 Excel 相关的问题和需求。

第一个问题的回答：AI 帮助回答了用户的第一个问题。

第二个问题的提出：用户向 AI 提出了一个新的问题和需求，希望得到一段 VBA 代码，实现对 Excel 文件中的数据进行筛选。

第二个问题的回答：AI 给出了一段简洁的 VBA 代码来实现用户的需求。

第三个问题的提出：用户向 AI 提出了另一个需求，希望根据年龄、学历和资产余额这三个维度进行分析，以便找出哪个维度对推销结果的影响最大。

第三个问题的回答：AI 根据用户的需求给出了一段 VBA 代码，并解释了代码的作用，同时也提供了多条柱形图和散点图的可视化方式，以便更好地展现和分析数据。

对分析结果的解释和优化建议：AI 解释了根据分析结果得出的结论，并提供了可行的几个措施来优化推销的效果。

对落实措施的影响进行分析：AI 对采取措施后推销成功率的提高进行了预测。

ChatGPT 和 Excel 的协议可以说非常的强大，

但前提是需要我们准确的告诉 ChatGPT 应该做什么，以什么的格式去做，

特别是对于 Excel 的术语（比如第一行，第一列、第一个Sheet… 等）

因为 ChatGPT 没办法知道计算出来的结果是什么，

所以我们希望 ChatGPT 基于什么样的结果进行分析时，

则需要把通过代码算出来的结果再次告诉 ChatGPT。

三、当然你也可以直接用我刚才的案例数据练手

1.案例数据下载链接

https://temp-1257364845.cos.ap-nanjing.myqcloud.com/解锁excel案例分析.xlsx

2.或者让 ChatGPT 帮你生成新的案例数据

发送给 ChatGPT：

根据下面这个信息，根据每个字段和描述生成30条数据，并以表格方式展示

“””

字段名 理解

age 年龄（数值）

job 职业（分类：admin, bluecollar, entrepreneur, housemaid, management, retired, self-employed, services,student, technician, unemployed, unknown）

marital 婚姻状况（分类：divorced, married, single, unknown）

education 学历（分类：primary, secondary, tertiary and unknown）

default 失信状况（分类：yes, no）

balance 资产余额（数值）

housing 房屋贷款（分类：yes, no, unknown）

loan 个人贷款（分类：yes, no, unknown）

contact 联系方式（分类：cellular, telephone）

day 最后一次电话营销的日期（数值：月份中的哪一天）

month 最后一次电话营销的月份（分类：jan, feb, mar, apr,…,nov, dev）

duration 通话时长（数值：以秒为单位，0的话最终输出结果必然是0）

campaign 联系次数（数值：此活动中联系该客户的次数）

pdays 距上次联系完客户后的天数（数值：999代表未联系过该客户）

previous 这次活动前与这位客户联系的次数（数值）

poutcome 上次营销的结果（分类：yes, no, unknown）

deposit 定期存款（分类：yes, no）客户是否已购买定期存款

“””

四、注意事项

在对话的过程中可能会出现字数超长的情况，

可以尝试把已经无用的代码记录删除掉