Si tratta di un gruppo di funzioni che calcolano le proprietà dei singoli valori dimensionali in un grafico, utilizzando numeri già aggregati.
Si tratta di un gruppo di funzioni che calcolano le proprietà dei singoli valori dimensionali in un grafico, utilizzando numeri già aggregati. Ad esempio, non è possibile calcolare una classificazione senza un confronto con altri valori dimensionali.
Queste funzioni possono essere utilizzate solo nelle espressioni grafiche. Non possono essere utilizzati nello script di caricamento.
Nel grafico è richiesta una dimensione, che definisce gli altri punti di dati necessari per il confronto. Di conseguenza, una funzione relazionale non è significativa in un grafico senza dimensioni (ad esempio, un oggetto KPI).
Utilizzare l'elenco a discesa su ciascuna funzione per visualizzare una breve descrizione e la sintassi di ciascuna di esse. Per ulteriori informazioni, fare clic sul nome della funzione nella descrizione della sintassi.
Funzioni di classificazione
Nota informaticaSe si utilizzano queste funzioni, verrà automaticamente disabilitata la soppressione dei valori zero. I valori NULL vengono ignorati.
Rank() valuta le righe del grafico nell'espressione, e per ciascuna riga, visualizza la posizione relativa del valore della dimensione valutata nell'espressione. Quando valuta l'espressione, la funzione confronta il risultato con quello delle altre righe contenenti il segmento di colonna attuale e restituisce la classificazione della riga attuale all'interno del segmento.
HRank() valuta l'espressione, confronta il risultato con il risultato delle altre colonne contenenti il segmento di riga attuale di una tabella pivot. La funzione quindi restituisce la classificazione della colonna attuale all'interno del segmento.
KMeans2D() valuta le righe del grafico applicando il clustering K-means, e per ciascuna riga del grafico visualizza l'id cluster del cluster a cui è stato assegnato questo punto dati. Le colonne utilizzate dall'algoritmo di clustering sono determinate rispettivamente dai parametri coordinate_1 e coordinate_2. Sono entrambe aggregazioni. Il numero di cluster creati è determinato dal parametro num_clusters. I dati possono essere normalizzati in via opzionale dal parametro norm.
KMeansND() valuta le righe del grafico applicando il clustering K-means, e per ciascuna riga del grafico visualizza l'id cluster del cluster a cui è stato assegnato questo punto dati. Le colonne utilizzate dall'algoritmo di clustering sono determinate dai parametri coordinate_1, coordinate_2, ecc. fino a n colonne. Sono tutte aggregazioni. Il numero di cluster creati è determinato dal parametro num_clusters.
KMeansCentroid2D() valuta le righe del grafico applicando il clustering K-means, e per ciascuna riga del grafico visualizza la coordinata desiderata del cluster a cui è stato assegnato questo punto dati. Le colonne utilizzate dall'algoritmo di clustering sono determinate rispettivamente dai parametri coordinate_1 e coordinate_2. Sono entrambe aggregazioni. Il numero di cluster creati è determinato dal parametro num_clusters. I dati possono essere normalizzati in via opzionale dal parametro norm.
KMeansCentroidND() valuta le righe del grafico applicando il clustering K-means, e per ciascuna riga del grafico visualizza la coordinata desiderata del cluster a cui è stato assegnato questo punto dati. Le colonne utilizzate dall'algoritmo di clustering sono determinate dai parametri coordinate_1, coordinate_2, ecc. fino a n colonne. Sono tutte aggregazioni. Il numero di cluster creati è determinato dal parametro num_clusters.
STL_Trend è una funzione di scomposizione delle serie temporali. Insieme a STL_Seasonal e a STL_Residual, questa funzione viene utilizzata per scomporre una serie temporale in componenti stagionali, di tendenza e residuali. Nel contesto dell'algoritmo STL, la scomposizione delle serie temporali viene utilizzata per identificare sia un modello stagionale ricorrente sia una tendenza generale, data una metrica di ingresso e altri parametri. La funzione STL_Trend identifica una tendenza generale, indipendente da schemi o cicli stagionali, dai dati delle serie temporali.
STL_Seasonal è una funzione di scomposizione delle serie temporali. Insieme a STL_Trend e a STL_Residual, questa funzione viene utilizzata per scomporre una serie temporale in componenti stagionali, di tendenza e residuali. Nel contesto dell'algoritmo STL, la scomposizione delle serie temporali viene utilizzata per identificare sia un modello stagionale ricorrente sia una tendenza generale, data una metrica di ingresso e altri parametri. La funzione STL_Seasonal è in grado di identificare un modello stagionale all'interno di una serie temporale, separandolo dalla tendenza generale mostrata dai dati.
STL_Residual è una funzione di scomposizione delle serie temporali. Insieme a STL_Seasonal e a STL_Trend, questa funzione viene utilizzata per scomporre una serie temporale in componenti stagionali, di tendenza e residuali. Nel contesto dell'algoritmo STL, la scomposizione delle serie temporali viene utilizzata per identificare sia un modello stagionale ricorrente sia una tendenza generale, data una metrica di ingresso e altri parametri. Nell'eseguire questa operazione, una parte della variazione della metrica di input non rientrerà né nella componente stagionale né in quella di tendenza e sarà definita come componente residua. La funzione grafico STL_Residual acquisisce questa parte del calcolo.
Se riscontri problemi con questa pagina o con il suo contenuto – un errore di battitura, un passaggio mancante o un errore tecnico – facci sapere come possiamo migliorare!
Modernizza senza compromettere le tue preziose app QlikView con il programma Analytics Modernization. Fare clic qui per maggiori informazioni o per contattarci: ampquestions@qlik.com
