墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
900+累计阅读
942平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
今天小编要和大家分享的是，ExcelVBA收纳箱：选中区域输出工作簿、工作表和单元格地址的操作，比如下图中不连续选择的区域
（方方格子插件）
1.先看动图演示吧
2.选中单元格区域后，我们就可以直接选择方方格子的DIY工具箱操作。
3.然后选择最左侧的VBA收纳箱操作。
4.弹出界面我们选择本地新建的操作。
5."好了，在代码去输入如下代码，并设置所属类别和函数的说明。Sub 插入当前文件名和表名及地址()
For Each mycell In Selection
mycell.FormulaR1C1 = ""["" + ActiveWorkbook.Name + ""]"" + ActiveSheet.Name + ""!"" + mycell.Address
Next
End Sub"
6.确定后找到我们刚才添加的应用命令。
7.单击执行按钮即可得到想要的结果。
如果经验帮到了你，请记得分享！
Excel 2010 VBA 入门 062 跨表数据查询
目录 示例 实现代码 跨表操作单元格 连续查找功能 示例 如图所示，该工作簿中建立“数据表”和“数据查询”表分别用于存储客户信息以及客户信息的查询。现希望在数据查询表的关键字栏中输入某个关键字，并在“数据表”中的各列对该关键字进行查找，然后希望能随着按钮“查找下一个”的单击不断显示下一条满足条件的记录。如何用VBA完成？ 客户名称 单位地址 联系人 联系电话 石家庄伊克塞尔有限公司 石家庄市中山路52号 程建华 XXX-XXXXXXXX 太原..
EXcel VBA从一个工作簿的指定区域拷贝内容到另一个工作簿的指定区域
EXcel VBA从一个工作簿的指定区域拷贝内容到另一个工作簿的指定区域) Sub createtable() Dim Quantity As Long Dim loop_i As Long Dim position As String Quantity = ActiveSheet.Range("D45") If IsEmpty(Range(“A48”)) Then For loop_i = 1 To Quantity position = 48 + (loop_i - 1) * 6 Sheets(“t
Python之Xlwings操作excel
python操作Excel的模块，python中能操作Excel的库，网上提到的模块大致有：xlwings、xlrd、xlwt、openpyxl等，一共九个库所以我综合了一下就打算用xlwingsxlwings能够非常方便的读写Excel文件中的数据，并且能够进行单元格格式的修改可以和matplotlib以及pandas无缝连接可以调用Excel文件中VBA写好的程序，也可以让VBA调用用Python写的程序。开源免费，一直在更新。
[day 2]用VBA实现复制EXCEL数据到另一个EXCEL
这段代码将打开一个名为“小时”的文件夹，并将其中的“test”文件夹中的“1.xlsx”文件复制到“test”文件夹中的“2.xlsx”文件中。请注意，此代码假定“test”文件夹中的所有文件都具有相同的名称和格式。如果文件名或格式不同，则需要相应地更改代码。（小文同学的出的代码跑不动，简单删改了一下。然后，它将保存合并后的文件。#跟着文心一言学VBA。
Excel跨工作簿引用VBA实战实例
今天我们聊了很多，从基础语法到高级架构，从单点技能到系统思维。但归根结底，自动化的核心不是技术本身，而是思维方式的转变不再“做什么”，而是思考“怎么做才可持续”不再追求“立刻见效”，而是关注“长期维护成本”不再一个人扛所有活，而是设计一套机器能理解的语言当你学会用代码代替手工操作的那一刻，你就不再是Excel的使用者，而是它的指挥官 🎖️所以，别犹豫了——现在就打开Alt+F11，写下你的第一个自动化脚本吧！未来已来，只是分布不均。
Excel VBA实现图片自动适应单元格大小的技巧
宏是一种自动化任务的工具，能够在Excel中执行一系列操作，从而节省时间并减少重复性劳动。宏可以快速执行复杂或重复的任务，提高工作效率。Visual Basic for Applications（VBA）是Microsoft Office应用程序的编程语言。VBA编辑器是编写和管理宏代码的平台。我们将介绍如何打开VBA编辑器，以及编辑器中各个部分的基本功能和作用。Excel对象模型是一个用于描述和操作Excel应用程序及其对象的结构化体系。
VBA技术资料MF166：提取某区域特定数据到工作表
我给VBA的定义：VBA是个人小型自动化处理的有效工具。利用好了，可以大大提高自己的工作效率，而且可以提高数据的准确度。“VBA语言専攻”提供的教程一共九套，分为初级、中级、高级三大部分，教程是对VBA的系统讲解，从简单的入门、到入门后的提高、到数据库、到字典、到Word VBA的应用、到高级网抓及类的应用、一直讲到程序的分发。另外，为了方便大家在写代码是方便查找，“VBA语言専攻”又推出了一部VBA汉英手册，这部手册覆盖了VBA的方方面面，与实际工作衔接度高。
嵌入式主板系统配置实战：OTG切换、双网共存与开机自启详解
在嵌入式Linux系统开发中，系统配置是连接硬件平台与应用功能的关键桥梁。其核心原理在于通过内核参数、文件系统接口和系统服务等机制，实现对硬件资源和系统行为的精细控制。掌握这些配置技术，对于提升开发效率、保障系统稳定性和实现产品差异化至关重要。无论是工业物联网网关、智能终端还是边缘计算设备，都需要对网络、USB、启动项等基础功能进行可靠配置。本文聚焦于嵌入式主板开发中的高频需求，例如OTG功能模式切换、双网共存路由策略以及基于systemd的开机自启动实现，通过具体的命令和脚本示例，为开发者提供一套可直接复
excel中VBA获取指定单元格内容
1、筛选指定列获取数据 For Each Rng In Sheets("目录").Range("b1:B23") Debug.Print Rng.Value If Rng.Value = "个人" Then n = n + 1 Sheets("备注").Cells(n, "g").Resize(1, 5) = Rng.Offset(0, -1).Range("a1:e1").Value Sheets("备注").Cells(n, "g").
特征提取 Features Extraction
介绍了特征提取的基本概念，从分类变量，文本信息和图片信息中进行特征提取的方法，以及实现特征提取的类库
【Verilog模块例化全解析：从入门到精通】
本文详细解析了Verilog模块例化的核心概念与方法。主要内容包括： 模块定义与例化的基本概念，强调模块例化会生成独立硬件电路； 两种端口连接方式：位置映射（按顺序连接）和名称映射（按端口名连接），推荐使用名称映射提高可读性； 参数化例化方法，通过parameter实现可配置模块设计； 多层模块嵌套的实战应用，展示复杂设计的层次化实现。 文章通过2位加法器等代码示例，对比分析了不同例化方式的优缺点，为硬件设计中的模块复用提供了实用指导。重点推荐名称映射和参数化设计方法，以提高代码可维护性和设计灵活性。
Excel VBA（02）工作簿、工作表、单元格操作
Excel 文件操作 一、概述 本质就是操作 workbook window 文件窗口 一个 excel 文件对应一个 workbook，打开后对应一个文件窗口 Windows(1).Visible = True 二、基本操作 1、判断文件是否存在和打开 是否存在：输出为 0 就是不存在 Debug.Print Len(Dir("d:\test.xlsx")) 是否打开 Dim...
DisplayPort 1.4数据扰码实战：16bit LFSR并行优化技巧（附Verilog代码）
本文深入探讨了DisplayPort 1.4协议中16bit数据扰码的并行化实现。针对高带宽视频传输需求，文章详细推导了16位LFSR（线性反馈移位寄存器）的单周期16步并行计算公式，并提供了可直接使用的Verilog代码，解决了传统8bit串行处理吞吐量不足的瓶颈，为高速接口设计提供了关键优化技巧。
Excel：VBA编程入门（一）
Excel:VBA编程入门打开Excel中的VBA编程界面写一个简单的VBA程序 打开Excel中的VBA编程界面 首先打开Excel，在菜单栏的开发工具中打开Visual Basic，如下图： 如果在菜单栏上没有找到开发工具，那就应该先从文件处显示隐藏的开发工具。如下图所示： 这样就可以打开了。 打开的VBA界面是这样的： 写一个简单的VBA程序 首先打开了Visual Basic 的页面，在页面左侧的代码编辑处上方有两个下拉选框，如下图，左侧的下拉框代表工作对象，右边的下拉框代表函数方法。
STM32新手必看：3分钟搞定ST官网资料下载（附F0系列手册+外设库下载技巧）
本文为STM32开发新手提供高效获取ST官网技术资料的完整指南，重点介绍如何快速下载STM32F0系列数据手册和外设库。通过系统性的资源分类解析和实用下载技巧，帮助开发者快速定位所需文档，建立本地知识库，提升开发效率。
CRMEB小程序订阅消息实战指南：PHP配置与疑难排查
本文提供CRMEB小程序订阅消息的完整实战指南，重点解析PHP环境下的配置流程与常见错误解决方法。文章从订阅消息的核心规则讲起，详细拆解了从微信后台获取模板到CRMEB后台完成字段映射的关键步骤，并提供了从用户授权、缓存清除到服务器日志检查的逐层排查方案，帮助开发者高效打通消息通道，避免常见配置陷阱。
open表和closed表_Excel基础知识，工作簿、工作表和单元格的表示方法
VBA的功能之强大，稍微有些VBA基础的朋友都是非常清楚的，但若是想掌握VBA编程却是要付出努力与时间学习的．对于VBA小白来说，并不是不愿意去学习，而是不知道如何去入门．这一篇短文，咱们就来说说VBA的一些基础知识．１，VBA是什么？VBA到底是什么呢？VBA是visual basic for applicaiton的首字母的缩写，意思就是面向对象的基础编程语言，在这里咱们只是通俗的来解释，并不...
Unreal Engine Profiler：动画系统性能分析教程_2024-07-23_03-05-38.Tex
Unreal Engine Profiler 是一个内置的性能分析工具，它可以帮助开发者识别和解决游戏中的性能瓶颈。Profiler 提供了详细的性能数据，包括 CPU 使用率、GPU 负载、内存使用情况等，特别针对动画系统，可以查看动画蓝图的执行时间、骨骼动画的计算成本、以及动画混合和重定向的效率。通过这些数据，开发者可以定位到具体的问题，比如哪些动画状态消耗了过多的 CPU 时间，或者哪些动画资源导致了内存泄漏。
excel VBA 基础教程
最近要用到excel 发现好多不会的，折腾了半天，发现还是要系统学习一下。
39、高频 LLC 谐振转换控制系统动态优化算法分析与研究
本文针对高频下LLC谐振转换器动态性能差的问题，提出一种基于谐振电容器充放电估计动态切换时间的优化控制算法。通过改进状态轨迹控制方法，突破传统算法在谐振频率与开关频率相等条件下的限制，并结合新型采样策略有效抑制电压过冲。算法在MATLAB和SABER中完成仿真验证，并搭建基于STM32F407的原型系统进行测试，结果表明该方法显著缩短动态响应时间，提升系统稳定性。研究为高频、高功率密度开关电源的动态优化提供了可行解决方案。
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
vba 字体颜色_Excel条件格式，选中区域自动变颜色，领导同事看后都夸我厉害
在日常工作中，为了呈现出所选择区域数据的重要性，通常是标注一个颜色，或者字体加粗，达到更加醒目的效果。但是如果选择的区域更换比较频繁，手动改色调字体比较麻烦，而且当你选择下一个区域的时候还要对本区域进行还原，那就更加麻烦了。其实这个工作可以交给条件格式来完成。效果就是下面的动图。要得到这个效果，需要使用函数和VBA结合完成。VBA工作表事件工作表事件是VBA的内容，不了解VBA也没有关系，按照本文...
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
Excel VBA宏的使用
Excel VBA宏的使用
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
Excel VBA应用技巧
记录学习VBA 的笔记
利用VBA快速整合多个excel文件
心得(一)：关于VBA如何把同一个文件下的所有文件的内容合并到同一个excel文件下 问题：如何把多个格式相同的excel整合到一个excel上，起初想的是可以直接用复制粘贴……但是文件有几百个将近一千个，这么做的话有点暴躁… 解决：首先把所有要整合的excel文件放在一个路径不含有中文名的目录下，然后新建一个excel文件右键sheet点击查看代码，这时候你的画面上会出现一个编辑器，你这这上面利...
vba mysql·教程_Excel VBA ADO SQL入门教程004：SQL中的Excel表
1.上期我们聊了SQL常用查询语句中的字段查询，其简化版语法如下：SELECT 字段名 FROM 表名当时我们说，FROM关键词指明了要获取字段信息的表的名称。倘若数据源是Excel表格，则需要在表名后增加美元符号$，并用中括号包起来，例如[Sheet1$]……事实上，上述例子是SQL In Excel 对工作表引用最简单的一种情况，也就是整表引用；此外还有单元格区域引用、跨工作簿引用表等。所以我...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4288
扫一扫
