Este es un grupo de funciones que calculan propiedades de valores dimensionales individuales en un gráfico, utilizando números ya agregados.
Las funciones son relacionales en el sentido de que el resultado de la función depende no solo del valor del punto de datos en sí, sino también de la relación del valor con otros puntos de datos. Por ejemplo, un rango no se puede calcular sin una comparación con otros valores dimensionales.
Estas funciones solo pueden emplearse en expresiones de gráficos. No se pueden utilizar en el script de carga.
Se necesita una dimensión en el gráfico, ya que define los otros puntos de datos necesarios para la comparación. En consecuencia, una función relacional no tiene sentido en un gráfico adimensional (por ejemplo, un objeto KPI).
Utilice el desplegable de cada función para ver una breve descripción y la sintaxis de cada función. Haga clic en el nombre de la función en la descripción de la sintaxis si desea más detalles.
Funciones de clasificación o ranking en gráficos
Nota informativaSuprimir valores cero se desactiva automáticamente cuando se utilizan dichas funciones. Los valores nulos NULL se descartan.
Rank() evalúa las filas del gráfico en la expresión y muestra, por cada fila, la posición relativa del valor de la dimensión evaluada en la expresión. Esta función, cuando evalúa la expresión, compara el resultado con el resultado de las otras filas que contienen el segmento de columna actual y devuelve la clasificación de la fila actual dentro del segmento.
HRank() evalúa la expresión y compara el resultado con el resultado de las otras columnas que contienen el segmento de fila actual de una tabla pivotante. La función devuelve el ranking de la columna actual dentro del segmento.
KMeans2D() evalúa las filas del gráfico aplicando agrupación en clústeres k-means, y para cada fila del gráfico muestra el ID del grupo al que se ha asignado este punto de datos. Las columnas que utiliza el algoritmo de agrupamiento están determinadas por los parámetros coordinate_1 y coordinate_2, respectivamente. Ambas son agregaciones. El número de clústeres que se crea viene determinado por el parámetro num_clusters. Los datos se pueden normalizar opcionalmente mediante el parámetro norma.
KMeansND() evalúa las filas del gráfico aplicando agrupación en clústeres k-means, y para cada fila del gráfico muestra el ID del grupo al que se ha asignado este punto de datos. Las columnas que utiliza el algoritmo de agrupamiento vienen determinadas por los parámetros coordinate_1 y coordinate_2, etc., hasta n columnas. Esto son todo agregaciones. El número de clústeres que se crea viene determinado por el parámetro num_clusters.
KMeansCentroid2D() evalúa las filas del gráfico aplicando agrupación en clústeres k-means y para cada fila del gráfico muestra la coordenada deseada del clúster al que se haya asignado este punto de datos. Las columnas que utiliza el algoritmo de agrupamiento vienen determinadas por los parámetros coordinate_1 y coordinate_2, respectivamente. Ambas son agregaciones. El número de clústeres que se crea viene determinado por el parámetro num_clusters. Los datos se pueden normalizar opcionalmente mediante el parámetro norma.
KMeansCentroidND() evalúa las filas del gráfico aplicando agrupación en clústeres k-means, y para cada fila del gráfico muestra la coordenada deseada del clúster al que se ha asignado este punto de datos. Las columnas que utiliza el algoritmo de agrupamiento vienen determinadas por los parámetros coordinate_1 y coordinate_2, etc., hasta n columnas. Esto son todo agregaciones. El número de clústeres que se crea viene determinado por el parámetro num_clusters.
STL_Trend es una función de descomposición de series de tiempo. Junto con STL_Seasonal y STL_Residual, esta función se utiliza para descomponer una serie temporal en componentes estacionales, de tendencia y residuales. En el contexto del algoritmo STL, la descomposición de series de tiempo se utiliza para identificar tanto un patrón estacional recurrente como una tendencia general, dada una métrica de entrada y otros parámetros. La función STL_Trend identifica una tendencia general, independiente de patrones o ciclos estacionales, a partir de datos de series de tiempo.
STL_Seasonal es una función de descomposición de series de tiempo. Junto con STL_Trend y STL_Residual, esta función se utiliza para descomponer una serie temporal en componentes estacionales, de tendencia y residuales. En el contexto del algoritmo STL, la descomposición de series de tiempo se utiliza para identificar tanto un patrón estacional recurrente como una tendencia general, dada una métrica de entrada y otros parámetros. La función STL_Seasonal puede identificar un patrón estacional dentro de una serie temporal, separándolo de la tendencia general que muestran los datos.
STL_Residual es una función de descomposición de series de tiempo. Junto con STL_Seasonal y STL_Trend, esta función se utiliza para descomponer una serie temporal en componentes estacionales, de tendencia y residuales. En el contexto del algoritmo STL, la descomposición de series de tiempo se utiliza para identificar tanto un patrón estacional recurrente como una tendencia general, dada una métrica de entrada y otros parámetros. Al realizar esta operación, parte de la variación en la métrica de entrada no encajará en el componente estacional ni en el de tendencia, y se definirá como el componente residual. La función de gráfico STL_Residual captura esta parte del cálculo.
No dude en indicarnos en qué podemos mejorar si encuentra algún problema en esta página o su contenido, como, por ejemplo, errores tipográficos, pasos que falta o errores técnicos.
Únase al Programa de modernización de la analítica
Modernícese sin comprometer sus valiosas aplicaciones de QlikView con el Programa de modernización de la analítica. Haga clic aquí para obtener más información o contactar con nosotros: ampquestions@qlik.com
