Dies ist eine Gruppe Funktionen, die Eigenschaften einzelner Dimensionswerte in einem Diagramm berechnen und bereits aggregierte Zahlen verwenden.
Die Funktionen sind relational in dem Sinn, dass die Funktionsausgabe nicht nur von dem Wert des Datenpunkts selbst abhängt, sondern auch von der Beziehung des Werts zu anderen Datenpunkten. Beispielsweise kann eine Rangfolge nicht ohne Vergleich mit anderen Dimensionswerten berechnet werden.
Diese Funktionen können ausschließlich in den Formeln von Diagrammen verwendet werden. Sie können nicht im Ladeskript verwendet werden.
Eine Dimension wird im Diagramm benötigt, da sie die anderen Datenpunkte definiert, die für den Vergleich erforderlich sind. Daher ist eine relationale Funktion in einem Diagramm ohne Dimensionen nicht sinnvoll (z. B. einem KPI-Objekt).
Verwenden Sie die Dropdown-Liste an jeder Funktion, um eine kurze Beschreibung und die Syntax der einzelnen Funktionen anzuzeigen. Weitere Details erfahren Sie durch Klicken auf den Funktionsnamen in der Syntaxbeschreibung.
Rangfolgefunktionen
InformationshinweisFerner können beim Gebrauch von Inter-Record-Funktionen keine Nullwerte weggelassen werden. NULL-Werte werden ignoriert.
Rank() berechnet die Zeilen des Diagramms in der Formel und zeigt für jede Zeile die relative Position des Wertes der Dimension an, die in der Formel berechnet wird. Beim Auswerten der Formel vergleicht die Funktion ihr Ergebnis mit den Ergebnissen für andere Zeilen innerhalb des Spaltenabschnitts und liefert den Rang der Zeile innerhalb des Spaltenabschnitts.
HRank() wertet die Formel aus und vergleicht ihr Ergebnis mit den Ergebnissen für andere Spalten desselben Zeilenabschnitts der Pivottabelle. Die Funktion liefert anschließend die Rangfolge der Spalte innerhalb des Abschnitts.
KMeans2D() wertet die Zeilen des Diagramms aus, indem K-means-Clustering angewandt wird. Für jede Diagrammzeile wird die Cluster-ID des Clusters angezeigt, dem dieser Datenpunkt zugewiesen wurde. Die vom Clustering-Algorithmus verwendeten Spalten werden von den Parametern coordinate_1 bzw. coordinate_2 festgelegt. Es handelt sich bei beiden um Aggregierungen. Die Anzahl der erstellten Cluster wird durch den Parameter num_clusters bestimmt. Daten können optional mit dem Normparameter normalisiert werden.
KMeansND() wertet die Zeilen des Diagramms aus, indem K-means-Clustering angewandt wird. Für jede Diagrammzeile wird die Cluster-ID des Clusters angezeigt, dem dieser Datenpunkt zugewiesen wurde. Die vom Clustering-Algorithmus verwendeten Spalten werden von den Parametern coordinate_1, coordinate_2 usw. bis zu n Spalten festgelegt. Es handelt sich bei allen um Aggregierungen. Die Anzahl der erstellten Cluster wird durch den Parameter num_clusters bestimmt.
KMeansCentroid2D() wertet die Zeilen des Diagramms aus, indem K-means-Clustering angewandt wird. Für jede Diagrammzeile wird die gewünschte Koordinate des Clusters angezeigt, dem dieser Datenpunkt zugewiesen wurde. Die vom Clustering-Algorithmus verwendeten Spalten werden von den Parametern coordinate_1 bzw. coordinate_2 festgelegt. Es handelt sich bei beiden um Aggregierungen. Die Anzahl der erstellten Cluster wird durch den Parameter num_clusters bestimmt. Daten können optional mit dem Normparameter normalisiert werden.
KMeansCentroidND() wertet die Zeilen des Diagramms aus, indem K-means-Clustering angewandt wird. Für jede Diagrammzeile wird die gewünschte Koordinate des Clusters angezeigt, dem dieser Datenpunkt zugewiesen wurde. Die vom Clustering-Algorithmus verwendeten Spalten werden von den Parametern coordinate_1, coordinate_2 usw. bis zu n Spalten festgelegt. Es handelt sich bei allen um Aggregierungen. Die Anzahl der erstellten Cluster wird durch den Parameter num_clusters bestimmt.
STL_Trend ist eine Zeitreihenzerlegungs-Funktion. Zusammen mit STL_Seasonal und STL_Residual wird diese Funktion verwendet, um eine Zeitreihe in Saison-, Trend- und Restkomponenten zu zerlegen. Im Kontext des STL-Algorithmus wird Zeitreihenzerlegung verwendet, um sowohl Saisonmuster als auch einen allgemeinen Trend aus einer Eingabemetrik und anderen Parametern zu ermitteln. Die Funktion STL_Trend identifiziert einen allgemeinen Trend, unabhängig von Saisonmustern oder -zyklen, aus Zeitreihendaten.
stl_trend(Expression, period [,seasonal_smoother [,trend_smoother]])
STL_Seasonal ist eine Zeitreihenzerlegungs-Funktion. Zusammen mit STL_Trend und STL_Residual wird diese Funktion verwendet, um eine Zeitreihe in Saison-, Trend- und Restkomponenten zu zerlegen. Im Kontext des STL-Algorithmus wird Zeitreihenzerlegung verwendet, um sowohl Saisonmuster als auch einen allgemeinen Trend aus einer Eingabemetrik und anderen Parametern zu ermitteln. Die Funktion STL_Seasonal kann ein Saisonmuster in einer Zeitreihe identifizieren und es vom allgemeinen, in den Daten angezeigten Trend trennen.
stl_seasonal(Expression, period [,seasonal_smoother [,trend_smoother]])
STL_Residual ist eine Zeitreihenzerlegungs-Funktion. Zusammen mit STL_Seasonal und STL_Trend wird diese Funktion verwendet, um eine Zeitreihe in Saison-, Trend- und Restkomponenten zu zerlegen. Im Kontext des STL-Algorithmus wird Zeitreihenzerlegung verwendet, um sowohl Saisonmuster als auch einen allgemeinen Trend aus einer Eingabemetrik und anderen Parametern zu ermitteln. Wenn diese Operation ausgeführt wird, passen manche der Variationen in der Eingabemetrik weder zur Saison- noch zur Trendkomponente und werden als Restkomponente definiert. Die Diagrammfunktion STL_Residual erfasst diesen Teil der Berechnung.
stl_residual(Expression, period [,seasonal_smoother [,trend_smoother]])
Hat diese Seite Ihnen geholfen?
Wenn Sie Probleme mit dieser Seite oder ihren Inhalten feststellen – einen Tippfehler, einen fehlenden Schritt oder einen technischen Fehler –, teilen Sie uns bitte mit, wie wir uns verbessern können!
