Jest to grupa funkcji, które obliczają właściwości indywidualnych wartości wymiarowych na wykresie, przy użyciu już zagregowanych liczb.
Funkcje te są relacyjne w tym sensie, że ich wynik zależy nie tylko od wartości samego punktu danych, ale również od relacji tej wartości z innymi punktami danych. Na przykład klasyfikacja nie może zostać obliczona bez porównania z innymi wartościami wymiarowymi.
Te funkcje mogą być używane tylko w wyrażeniach wykresu. Nie można ich używać w skrypcie ładowania.
Wymiar jest potrzebny w wykresie, ponieważ definiuje inne punkty danych potrzebne do porównywania. W konsekwencji funkcja relacyjna nie ma znaczenia na wykresie bezwymiarowym (na przykład obiekcie wskaźnika KPI).
Przy każdej funkcji znajduje się pole rozwijane umożliwiające wyświetlenie składni i krótkiego opisu funkcji. Kliknij nazwę funkcji w opisie składni, aby uzyskać więcej informacji.
Funkcje klasyfikacji
InformacjaGdy takie funkcje są używane, wówczas pomijanie wartości zerowych jest automatycznie wyłączone. Wartości NULL są ignorowane.
Funkcja Rank() oblicza wartości wierszy wykresu w wyrażeniu i dla każdego wiersza zwraca względną pozycję wartości wymiaru obliczanego w wyrażeniu. Obliczając wartość wyrażenia, funkcja porównuje wynik z wynikiem dla innych wierszy zawierających bieżący segment kolumny i zwraca klasyfikację bieżącego wiersza w ramach segmentu.
Funkcja HRank() oblicza wartość wyrażenia i porównuje otrzymany wynik z wynikami z innych kolumn zawierających bieżący segment wierszy tabeli przestawnej. Funkcja zwraca następnie klasyfikację bieżącej kolumny w ramach segmentu.
KMeans2D() poddaje ocenie wiersze wykresu, stosując algorytm centroidów oraz wyświetlając dla każdego wiersza wykresu identyfikator klastra, do którego został przypisany ten punkt danych. Kolumny wykorzystywane przez algorytm grupowania są określane przez odpowiednio parametry coordinate_1 i coordinate_2. Oba te parametry są agregacjami. Liczba tworzonych klastrów jest określana przez parametr num_clusters. Dane można opcjonalnie znormalizować za pomocą parametru norm.
KMeansND() poddaje ocenie wiersze wykresu, stosując algorytm centroidów oraz wyświetlając dla każdego wiersza wykresu identyfikator klastra, do którego został przypisany ten punkt danych. Kolumny wykorzystywane przez algorytm grupowania są określone przez odpowiednio parametry coordinate_1 i coordinate_2 itd., aż do n kolumn. Wszystkie te parametry są agregacjami. Liczba tworzonych klastrów jest określana przez parametr num_clusters.
KMeansCentroid2D() poddaje ocenie wiersze wykresu, stosując algorytm centroidów oraz wyświetlając dla każdego wiersza wykresu oczekiwaną współrzędną klastra, do którego został przypisany ten punkt danych. Kolumny wykorzystywane przez algorytm grupowania są określone przez odpowiednio parametry coordinate_1 i coordinate_2. Oba te parametry są agregacjami. Liczba tworzonych klastrów jest określana przez parametr num_clusters. Dane można opcjonalnie znormalizować za pomocą parametru norm.
KMeansCentroidND() poddaje ocenie wiersze wykresu, stosując algorytm centroidów oraz wyświetlając dla każdego wiersza wykresu oczekiwaną współrzędną klastra, do którego został przypisany ten punkt danych. Kolumny wykorzystywane przez algorytm grupowania są określone przez odpowiednio parametry coordinate_1, coordinate_2 itd., aż do n kolumn. Wszystkie te parametry są agregacjami. Liczba tworzonych klastrów jest określana przez parametr num_clusters.
STL_Trend jest funkcją dekompozycji szeregów czasowych. Wraz z STL_Seasonal i STL_Residual funkcja ta służy do rozkładania szeregu czasowego na składniki sezonowe, trendowe i rezydualne. W kontekście algorytmu STL dekompozycja szeregów czasowych służy do identyfikacji zarówno powtarzających się sezonowych wzorców, jak i ogólnego trendu ze wskaźnika wejściowego i innych parametrów. Funkcja STL_Trend zidentyfikuje ogólny trend, niezależnie od sezonowych wzorców lub cykli, z danych szeregu czasowego.
STL_Seasonal jest funkcją dekompozycji szeregów czasowych. Wraz z STL_Trend i STL_Residual funkcja ta służy do rozkładania szeregu czasowego na składniki sezonowe, trendowe i rezydualne. W kontekście algorytmu STL dekompozycja szeregów czasowych służy do identyfikacji zarówno powtarzających się sezonowych wzorców, jak i ogólnego trendu ze wskaźnika wejściowego i innych parametrów. Funkcja STL_Seasonal może zidentyfikować wzorzec sezonowy w szeregu czasowym, oddzielając go od ogólnego trendu przedstawianego przez dane.
STL_Residual jest funkcją dekompozycji szeregów czasowych. Wraz z STL_Seasonal i STL_Trend funkcja ta służy do rozkładania szeregu czasowego na składniki sezonowe, trendowe i rezydualne. W kontekście algorytmu STL dekompozycja szeregów czasowych służy do identyfikacji zarówno powtarzających się sezonowych wzorców, jak i ogólnego trendu ze wskaźnika wejściowego i innych parametrów. Podczas wykonywania tej operacji część zmienności we wskaźniku wejściowym nie będzie pasować ani do składnika sezonowego, ani do składnika trendowego i zostanie zdefiniowana jako składnik rezydualny. Funkcja wykresu STL_Residual przechwytuje tę część obliczeń.