Dit is een groep functies die eigenschappen van afzonderlijke dimensiewaarden in een diagram berekenen met behulp van eerder geaggregeerde getallen.
De functies zijn relationeel in de zin dat de functie-uitvoer niet alleen afhankelijk is van de waarde van het gegevenspunt zelf, maar ook van de relatie van de waarde met andere gegevenspunten. Een rangschikking kan bijvoorbeeld niet worden berekend zonder een vergelijking met andere dimensiewaarden.
Deze functies kunnen alleen worden gebruikt in diagramuitdrukkingen. Ze kunnen niet worden gebruikt in het load-script.
Een dimensie is vereist in het diagram, omdat deze de andere benodigde gegevenspunten voor de vergelijking definieert. Daarom is een relationele functie niet van betekenis in een diagram zonder dimensies (bijvoorbeeld een KPI-object).
Gebruik de vervolgkeuzelijst bij elke functie om een korte beschrijving en de syntaxis van de functie te bekijken. Klik op de functienaam in de beschrijving van de syntaxis voor meer informatie.
Rangordefuncties
InformatieDe onderdrukking van nulwaarden wordt automatisch uitgeschakeld als deze functies worden gebruikt. NULL-waarden worden buiten beschouwing gelaten.
Rank() evalueert de rijen van het diagram in de uitdrukking en geeft voor elke rij de relatieve positie van de waarde van de dimensie die in de uitdrukking wordt geëvalueerd weer. Bij de evaluatie van de uitdrukking vergelijkt de functie het resultaat met het resultaat van de andere rijen die het huidige kolomsegment bevatten, en retourneert de rangschikking van de huidige rij in het segment.
HRank() evalueert de uitdrukking en vergelijkt het resultaat met het resultaat van de andere kolommen die het huidige rijsegment van een draaitabel bevatten. De functie retourneert vervolgens de rangschikking van de huidige kolom binnen het segment.
KMeans2D() evalueert de rijen van het diagram door K-means clustering toe te passen. Voor elke rij van het diagram wordt de cluster-id weergegeven van het cluster waaraan dit gegevenspunt is toegewezen. De kolommen die worden gebruikt door het clustering-algoritme worden bepaald door de parameter coordinate_1 respectievelijk coordinate_2. Dit zijn beide aggregraties. De parameter num_clusters bepaalt het aantal clusters dat wordt gemaakt. Gegevens kunnen optioneel worden genormaliseerd door de normparameter.
KMeansND() evalueert de rijen van het diagram door K-means clustering toe te passen. Voor elke rij van het diagram wordt de cluster-id weergegeven van het cluster waaraan dit gegevenspunt is toegewezen. De kolommen die worden gebruikt door het clustering-algoritme worden bepaald door de parameter coordinate_1 en coordinate_2 etc. tot en met de n-kolommen Dit zijn beide aggregaties. De parameter num_clusters bepaalt het aantal clusters dat wordt gemaakt.
KMeansCentroid2D() evalueert de rijen van het diagram door K-means clustering toe te passen. Voor elke rij van het diagram wordt de gewenste coördinaat weergegeven van het cluster waaraan dit gegevenspunt is toegewezen. De kolommen die worden gebruikt door het clustering-algoritme worden bepaald door de parameter coordinate_1 respectievelijk coordinate_2. Dit zijn beide aggregraties. De parameter num_clusters bepaalt het aantal clusters dat wordt gemaakt. Gegevens kunnen optioneel worden genormaliseerd door de normparameter.
KMeansCentroidND() evalueert de rijen van het diagram door K-means clustering toe te passen. Voor elke rij van het diagram wordt de gewenste coördinaat weergegeven van het cluster waaraan dit gegevenspunt is toegewezen. De kolommen die worden gebruikt door het clustering-algoritme worden bepaald door de parameter coordinate_1 respectievelijk coordinate_2. Dit zijn beide aggregaties. De parameter num_clusters bepaalt het aantal clusters dat wordt gemaakt.
STL_Trend is een splitsingsfunctie voor tijdreeksen. Samen met STL_Seasonal en STL_Residual wordt deze functie gebruikt om een tijdreeks te splitsen in seizoensgebonden-, trendgebonden- en restcomponenten. Binnen de context van het STL-algoritme wordt de splitsingsfunctie voor tijdreeksen gebruikt om zowel terugkerende seizoensgebonden patronen te identificeren op basis van invoergegevens en andere parameters. De functie STL_Trend identificeert een algemene trend, ongeacht de seizoensgebonden patronen of cycli, op basis van de gegevens van tijdreeksen.
STL_Seasonal is een splitsingsfunctie voor tijdreeksen. Samen met STL_Trend en STL_Residual wordt deze functie gebruikt om een tijdreeks te splitsen in seizoensgebonden-, trendgebonden- en restcomponenten. Binnen de context van het STL-algoritme wordt de splitsingsfunctie voor tijdreeksen gebruikt om zowel terugkerende seizoensgebonden patronen te identificeren op basis van invoergegevens en andere parameters. De functie STL_Seasonal kan een seizoensgebonden patroon binnen een tijdsreeks identificeren, die wordt gescheiden van de algemene trend binnen de gegevens.
STL_Residual is een splitsingsfunctie voor tijdreeksen. Samen met STL_Seasonal en STL_Trend wordt deze functie gebruikt om een tijdreeks te splitsen in seizoensgebonden-, trendgebonden- en restcomponenten. Binnen de context van het STL-algoritme wordt de splitsingsfunctie voor tijdreeksen gebruikt om zowel terugkerende seizoensgebonden patronen te identificeren op basis van invoergegevens en andere parameters. Bij het uitvoeren van deze bewerking zal een deel van de variatie binnen de invoergegevens niet passen binnen het seizoensgebonden of trendgebonden component en als overig component worden aangeduid. De diagramfunctie STL_Residual registreert dit deel van de berekening.
Als u problemen ervaart op deze pagina of de inhoud onjuist is – een typfout, een ontbrekende stap of een technische fout – laat het ons weten zodat we dit kunnen verbeteren!