Il s'agit d'un groupe de fonctions qui calculent les propriétés des valeurs dimensionnelles individuelles d'un graphique via des nombres déjà agrégés.
Les fonctions sont relationnelles en ce sens que le résultat de la fonction dépend non seulement de la valeur du point de données lui-même, mais également de la relation de la valeur avec d'autres points de données. Par exemple, un classement ne peut pas être calculé sans comparaison à d'autres valeurs dimensionnelles.
Ces fonctions s'utilisent uniquement dans les expressions de graphique. Les fonctions ne peuvent pas être utilisées dans le script de chargement.
Le graphique doit comporter une dimension, car cela définit les autres points de données nécessaires pour la comparaison. C'est pourquoi une fonction relationnelle n'a pas de sens dans un graphique sans dimension (par exemple, un objet Indicateur KPI).
Pour afficher une description succincte et la syntaxe d'une fonction, utilisez le menu déroulant de chaque fonction. Pour plus d'informations, cliquez sur le nom de la fonction dans la description de la syntaxe.
Fonctions de classement
Note InformationsLa suppression des valeurs zéro est automatiquement désactivée lorsque ces fonctions sont utilisées. Les valeurs NULL sont ignorées.
Rank() évalue les lignes du graphique dans l'expression et, pour chaque ligne, affiche la position relative de la valeur de la dimension évaluée dans l'expression. Lors de l'évaluation de l'expression, la fonction compare le résultat à celui des autres lignes contenant le segment de colonne actif et renvoie le classement de la ligne active dans ce segment.
HRank() évalue l'expression et compare le résultat à celui des autres colonnes contenant le segment de ligne actif d'un tableau croisé dynamique. La fonction renvoie ensuite le classement de la colonne active dans le segment.
KMeans2D() évalue les lignes du graphique en appliquant un algorithme des k-moyennes, et, pour chaque ligne du graphique, il évalue l'id du cluster auquel ce point de données a été affecté. Les colonnes utilisées par l'agorithme sont déterminées par les paramètres coordinate_1, et coordinate_2, respectivement. Ces deux paramètres sont des agrégations. Le nombre de clusters créés est déterminé par le paramètre num_clusters. En option, les données peuvent être normalisées par le paramètre de norme.
KMeansND() évalue les lignes du graphique en appliquant un algorithme des k-moyennes, et, pour chaque ligne du graphique, il évalue l'id du cluster auquel ce point de données a été affecté. Les colonnes utilisées par l’algorithme sont déterminées par les paramètres coordinate_1, coordinate_2, etc., jusqu'à n colonnes. Ces paramètres sont tous des agrégations. Le nombre de clusters créés est déterminé par le paramètre num_clusters.
KMeansCentroid2D() évalue les lignes du graphique en appliquant un algorithme des k-moyennes, et, pour chaque ligne du graphique, il affiche la coordonnée souhaitée du cluster auquel ce point de données a été affecté. Les colonnes utilisées par l'agorithme sont déterminées par les paramètres coordinate_1 et coordinate_2, respectivement. Ces deux paramètres sont des agrégations. Le nombre de clusters créés est déterminé par le paramètre num_clusters. En option, les données peuvent être normalisées par le paramètre de norme.
KMeansCentroidND() évalue les lignes du graphique en appliquant un algorithme des k-moyennes, et, pour chaque ligne du graphique, il affiche la coordonnée souhaitée du cluster auquel ce point de données a été affecté. Les colonnes utilisées par l’algorithme sont déterminées par les paramètres coordinate_1, coordinate_2, etc., jusqu'à n colonnes. Ces paramètres sont tous des agrégations. Le nombre de clusters créés est déterminé par le paramètre num_clusters.
STL_Trend est une fonction de décomposition de série chronologique. Avec STL_Seasonal et STL_Residual, cette fonction permet de décomposer une série chronologique en composantes saisonnière, de tendance et résiduelle. Dans le contexte de l'algorithme STL, la décomposition de série chronologique est utilisée pour identifier le modèle saisonnier récurrent et une tendance générale à partir d'une métrique d'entrée et d'autres paramètres. La fonction STL_Trend identifiera une tendance générale, indépendante des modèles ou cycles saisonniers, à partir des données d'une série chronologique.
STL_Seasonal est une fonction de décomposition de série chronologique. Avec STL_Trend et STL_Residual, cette fonction permet de décomposer une série chronologique en composantes saisonnière, de tendance et résiduelle. Dans le contexte de l'algorithme STL, la décomposition de série chronologique est utilisée pour identifier le modèle saisonnier récurrent et une tendance générale à partir d'une métrique d'entrée et d'autres paramètres. La fonction STL_Seasonal peut identifier un modèle saisonnier au sein d'une série chronologique, en le distinguant de la tendance générale affichée par les données.
STL_Residual est une fonction de décomposition de série chronologique. Avec STL_Seasonal et STL_Trend, cette fonction permet de décomposer une série chronologique en composantes saisonnière, de tendance et résiduelle. Dans le contexte de l'algorithme STL, la décomposition de série chronologique est utilisée pour identifier le modèle saisonnier récurrent et une tendance générale à partir d'une métrique d'entrée et d'autres paramètres. Lors de la réalisation de cette opération, une partie de la variation de la métrique d'entrée ne figurera pas dans la composante saisonnière ni dans la composante de tendance et sera définie comme la composante résiduelle. La fonction de graphique STL_Residual capture cette portion du calcul.
Si vous rencontrez des problèmes sur cette page ou dans son contenu – une faute de frappe, une étape manquante ou une erreur technique – dites-nous comment nous améliorer !
Rejoignez le Programme de modernisation analytique
Modernisez votre système sans compromettre vos précieuses applications QlikView grâce au Programme de modernisation analytique. Cliquez ici pour plus d'informations ou contactez : ampquestions@qlik.com
