计算机二级word(学习笔记)——表格,图表,超链接(下)

简介: 计算机二级word(学习笔记)——表格,图表,超链接

二、图表



考点:

  1. 设计选项卡(图表样式、编辑数据、选择数据、切换行列)
  2. 图表元素设置(坐标轴、坐标轴标题、图表标题、数据标签、数据表、误差线、网格线、图例、趋势线)
  3. 格式选项卡

(1)插入图表


3227309bb7a94c39b8d324d1c6144818.png

b782b84a773547df9982f93e43b39444.png

选择需要的图表


ab9907c233b740e7a9a0e9efa1521aea.png

将文本复制到表格中

5d8745e2a5c9481dbf6b31bb306d9fed.png


(2)图表外观设置


选中图表后点击设计选项卡

1be649ad66a4431e918a879ec8ea6454.png



(3)修改图表数据


53eb0c96443e41a7b756c651d2653c23.pngc431a997fe1a4b98ae8c7c4c8e275146.png7dfa8d5c3fc74054890e1e9688a7e010.png


(4)切换行和列


设计-》选择数据-》切换行和列983a2b7464d541678763d489fc3f424d.png


(5)坐标轴标题2469f345c57e4acca2b97d0e941a949d.png4eec510adec7480abdd771dc0fcd012d.png

三、超链接



考点:

  1. 插入超链接
  2. 批量删除超链接
  3. 设置超链接访问前后的颜色


(1)插入超链接


选中要添加的文字-》在插入选项卡中点击超链接


9428b6b122b74f6fb4da88c9cfa48c6e.png3a78e4913dab4bd68bf9e2366c18fc57.png


(2)批量取消超链接


0c5c70c24a84438a87f858f1e6dd82ae.png

33

需要使用快捷键:CTRL+SHIFT+F9

(注:如果没有反应则在三个键的基础上多按一个FN键)

37ad1a8ea95b476f9b3d057cd4e3e8da.png


(3)设置访问前后标签颜色


例:

14321c300b0940c9905a568c145586b4.png

设计选项卡-》颜色-》自定义颜色

4210c2300c2648f2a1e003eb4fc25bce.png0f360141a4524496b20c2fc9a5cd1b58.png


相关文章
|
人工智能 达摩院 自然语言处理
超好用的开源模型平台,ModelScope阿里达摩院
超好用的开源模型平台,ModelScope阿里达摩院
1255 1
|
存储 缓存 算法
P2P 视频流与 HTTP 视频流 | 学习笔记
快速学习 P2P 视频流与 HTTP 视频流,介绍了 P2P 视频流与 HTTP 视频流系统机制, 以及在实际应用过程中如何使用。
P2P 视频流与 HTTP 视频流 | 学习笔记
|
存储 监控 算法
ClickHouse源码分析-压缩算法大揭秘
ClickHouse在近年来增加了很多压缩算法,最主要的改进还是为了更好的适应时序场景,提高压缩率,节省存储空间。本期就给大家带来ClickHouse的压缩算法介绍。
5859 0
ClickHouse源码分析-压缩算法大揭秘
|
存储 人工智能 开发框架
Kheish:开源的多智能体开发框架,通过 YAML 配置工作流和多个 Agent 共同协作解决复杂任务
Kheish 是一个开源的多智能体协调平台,基于大型语言模型(LLM)设计,能够通过灵活配置多个智能体来解决复杂任务。平台支持模块化集成、聊天式提示、反馈循环等功能,适用于代码审计、法律文件分析、客户服务自动化等多种应用场景。
400 18
Kheish:开源的多智能体开发框架,通过 YAML 配置工作流和多个 Agent 共同协作解决复杂任务
|
机器学习/深度学习 运维 安全
图神经网络在欺诈检测与蛋白质功能预测中的应用概述
金融交易网络与蛋白质结构的共同特点是它们无法通过简单的欧几里得空间模型来准确描述,而是需要复杂的图结构来捕捉实体间的交互模式。传统深度学习方法在处理这类数据时效果不佳,图神经网络(GNNs)因此成为解决此类问题的关键技术。GNNs通过消息传递机制,能有效提取图结构中的深层特征,适用于欺诈检测和蛋白质功能预测等复杂网络建模任务。
509 2
图神经网络在欺诈检测与蛋白质功能预测中的应用概述
|
Ubuntu Linux 编译器
在ubantu/linux系统出现parse error(语法错误)
本文讨论了在Ubuntu/Linux系统中遇到"parse error"(语法错误)的问题,并提供了将非声明语句移动到所有声明语句下方以解决该问题的解决方案。
在ubantu/linux系统出现parse error(语法错误)
|
C# 容器
C#中的命名空间与程序集管理
在C#编程中,`命名空间`和`程序集`是组织代码的关键概念,有助于提高代码的可维护性和复用性。本文从基础入手,详细解释了命名空间的逻辑组织方式及其基本语法,展示了如何使用`using`指令访问其他命名空间中的类型,并提供了常见问题的解决方案。接着介绍了程序集这一.NET框架的基本单位,包括其创建、引用及高级特性如强名称和延迟加载等。通过具体示例,展示了如何创建和使用自定义程序集,并提出了针对版本不匹配和性能问题的有效策略。理解并善用这些概念,能显著提升开发效率和代码质量。
483 4
|
计算机视觉 Windows Python
已解决windows pycocotools安装失败问题 —— 超简单
已解决ModuleNotFoundError: No module named 'pycocotools'
712 1
已解决windows pycocotools安装失败问题 —— 超简单
|
IDE API 区块链
【Web3 探索】如何获取 Uniswap V3 Pool数据?
如何获取 Uniswap 池中的实时数据或历史数据集,包括池地址、总锁定价值(TVL)、代币符号和每日交易次数等信息?
960 0
【Web3 探索】如何获取 Uniswap V3 Pool数据?
|
人工智能 数据挖掘 API
iOS MachineLearning 系列(20)—— 训练生成CoreML模型
本系列前面的文章详细的介绍了在iOS中与AI能力相关的API的使用,也介绍了如何使用训练好的CoreML模型来实现更强大的AI能力。然而,无论是成熟的API提供的能力,还是各种各样的三方模型,有时候都并不能满足某一领域内的定制化需求。当我们拥有很多的课训练数据,且需要定制化的AI能力时,其实就可以自己训练生成CoreML模型,将此定制化的模型应用到工程中去。
777 0
iOS MachineLearning 系列(20)—— 训练生成CoreML模型

热门文章

最新文章