এক্সেলে টেবিল এবং স্ট্রাকচার্ড রেফারেন্স (Structured References) ব্যবহার ডেটা ম্যানিপুলেশন এবং বিশ্লেষণকে অনেক সহজ এবং সুনির্দিষ্ট করে তোলে। যখন আপনি একটি সাধারণ ডেটা রেঞ্জের পরিবর্তে টেবিল ব্যবহার করেন, তখন আপনি কিছু উন্নত ফিচার এবং সুবিধা লাভ করেন, যা ডেটাকে আরও সহজে এবং কার্যকরীভাবে পরিচালনা করতে সাহায্য করে।
এক্সেলে একটি টেবিল তৈরি করা খুবই সহজ এবং এটি ডেটা বিশ্লেষণ ও প্রক্রিয়াকরণকে আরও কার্যকর করে তোলে। একটি টেবিল সাধারণত রো এবং কলাম নিয়ে গঠিত, এবং এক্সেল টেবিলের মাধ্যমে আপনি সহজেই স্ট্রাকচার্ড রেফারেন্স ব্যবহার করতে পারবেন।
টেবিল ব্যবহার করার মাধ্যমে আপনি স্ট্রাকচার্ড রেফারেন্স ব্যবহার করতে পারবেন, যা ডেটার মধ্যে সেল রেঞ্জের পরিবর্তে টেবিলের কলাম নাম ব্যবহার করতে সক্ষম করে। এটি সাধারণ সেল রেফারেন্সের তুলনায় অনেক বেশি শক্তিশালী এবং পরিষ্কার, কারণ আপনি সেল রেঞ্জের পরিবর্তে টেবিলের নাম এবং কলাম নাম ব্যবহার করবেন।
TableName[ColumnName]
যেখানে:
উদাহরণ:
ধরা যাক, আপনি একটি টেবিল তৈরি করেছেন যার নাম SalesData, এবং এই টেবিলের একটি কলাম নাম Amount। যদি আপনি টেবিলের মধ্যে Amount কলামের সব ডেটার যোগফল বের করতে চান, তবে স্ট্রাকচার্ড রেফারেন্স ব্যবহার করে আপনি নিচের ফর্মুলা লিখতে পারেন:
=SUM(SalesData[Amount])
এটি SalesData টেবিলের Amount কলামের সমস্ত মান যোগফল দেখাবে।
টেবিলের মধ্যে একটি কলামের সব মান যোগ করতে:
=SUM(SalesData[SalesAmount])
টেবিলের নির্দিষ্ট কলামের গড় বের করতে:
=AVERAGE(SalesData[SalesAmount])
টেবিলের নির্দিষ্ট কলামে কতটি সেল পূর্ণ আছে তা গুনতে:
=COUNT(SalesData[SalesAmount])
টেবিলের কোনো শর্ত পূর্ণ হলে মান দেখাতে:
=IF(SalesData[SalesAmount]>1000, "High", "Low")
এই ফাংশনটি SalesAmount কলামে যদি ১০০০ এর বেশি হয়, তবে "High" দেখাবে, অন্যথায় "Low"।
টেবিলের কলামে কন্ডিশনাল ফরম্যাটিং যোগ করার জন্যও স্ট্রাকচার্ড রেফারেন্স ব্যবহার করা যায়। উদাহরণস্বরূপ, আপনি SalesAmount কলামের কোনো মান যদি ১০০০ এর বেশি হয় তবে সেলটিকে সবুজ রঙে ফরম্যাট করতে পারেন।
এক্সেলে টেবিল এবং স্ট্রাকচার্ড রেফারেন্স ব্যবহার করে ডেটা ম্যানিপুলেশন অনেক সহজ এবং শক্তিশালী হয়ে ওঠে। স্ট্রাকচার্ড রেফারেন্সের মাধ্যমে আপনি টেবিলের নাম এবং কলাম নাম ব্যবহার করে সেল রেঞ্জের পরিবর্তে ডেটাকে আরও পরিষ্কারভাবে রেফারেন্স করতে পারেন। এটি শুধু ফর্মুলার জন্য নয়, ডেটা বিশ্লেষণ, ফিল্টারিং এবং ডেটা ক্লিনিং-এর জন্যও অত্যন্ত কার্যকর।
common.read_more