Esse é um grupo de funções que calculam propriedades de valores dimensionais individuais em um gráfico usando números já agregados.
As funções são relacionais no sentido de que a saída da função depende não apenas do valor do ponto de dados propriamente dito, mas também da relação do valor com outros pontos de dados. Por exemplo, uma classificação não pode ser calculada sem uma comparação com outros valores dimensionais.
Essas funções só podem ser usadas em expressões de gráficos. Elas não podem ser usadas no script de carregamento.
É necessária uma dimensão no gráfico, pois isso define os outros pontos de dados necessários para a comparação. Consequentemente, uma função relacional não é significativa em um gráfico sem dimensão (por exemplo, um objeto KPI).
Use a caixa suspensa em cada função para ver uma breve descrição e a sintaxe de cada função. Clique no nome da função na descrição da sintaxe para obter detalhes.
Funções de classificação
Nota informativaA omissão de valores zero é automaticamente desabilitada quando essas funções são usadas. Os valores NULL são desconsiderados.
Rank() avalia as linhas do gráfico na expressão e, para cada linha, exibe a posição relativa do valor da dimensão avaliada na expressão. Ao avaliar a expressão, a função compara o resultado com o resultado de outras linhas que contêm o segmento de coluna atual e retorna a posição da linha atual dentro do segmento.
HRank() avalia a expressão, e compara o resultado com o resultado de outras colunas que contêm o segmento de linha atual de uma tabela dinâmica. A função então retorna a classificação da coluna atual dentro do segmento.
O KMeans2D() avalia as linhas do gráfico por meio da aplicação do agrupamento de k-means e, para cada linha do gráfico, exibe o ID do agrupamento ao qual esse ponto de dados foi atribuído. As colunas que são usadas pelo algoritmo de agrupamento são determinadas pelos parâmetros coordinate_1 e coordinate_2, respectivamente. Ambas são agregações. O número de agrupamentos criados é determinado pelo parâmetro num_clusters. Os dados podem ser normalizados opcionalmente pelo parâmetro norm.
O KMeansND() avalia as linhas do gráfico por meio da aplicação do agrupamento de k-means e, para cada linha do gráfico, exibe o ID do agrupamento ao qual esse ponto de dados foi atribuído. As colunas que são usadas pelo algoritmo de agrupamento são determinadas pelos parâmetros coordinate_1 e coordinate_2, etc., até n colunas. Todas são agregações. O número de agrupamentos criados é determinado pelo parâmetro num_clusters.
O KMeansCentroid2D() avalia as linhas do gráfico por meio da aplicação do agrupamento de k-means e, para cada linha do gráfico, exibe a coordenada desejada do agrupamento ao qual esse ponto de dados foi atribuído. As colunas que são usadas pelo algoritmo de agrupamento são determinadas pelos parâmetros coordinate_1 e coordinate_2, respectivamente. Ambas são agregações. O número de agrupamentos criados é determinado pelo parâmetro num_clusters. Os dados podem ser normalizados opcionalmente pelo parâmetro norm.
O KMeansCentroidND() avalia as linhas do gráfico por meio da aplicação do agrupamento de k-means e, para cada linha do gráfico, exibe a coordenada desejada do agrupamento ao qual esse ponto de dados foi atribuído. As colunas que são usadas pelo algoritmo de agrupamento são determinadas pelos parâmetros coordinate_1, coordinate_2, etc., até n colunas. Todas são agregações. O número de agrupamentos criados é determinado pelo parâmetro num_clusters.
STL_Trend é uma função de decomposição de séries temporais. Junto com STL_Seasonal e STL_Residual, essa função é usada para decompor uma série temporal em componentes sazonais, de tendências e residuais. No contexto do algoritmo STL, a decomposição de séries temporais é usada para identificar tanto um padrão sazonal recorrente quanto uma tendência geral, considerando uma métrica de entrada e outros parâmetros. A função STL_Trend identificará uma tendência geral, independente dos padrões ou ciclos sazonais, a partir de dados de séries temporais.
STL_Seasonal é uma função de decomposição de séries temporais. Junto com STL_Trend e STL_Residual, essa função é usada para decompor uma série temporal em componentes sazonais, de tendências e residuais. No contexto do algoritmo STL, a decomposição de séries temporais é usada para identificar tanto um padrão sazonal recorrente quanto uma tendência geral, considerando uma métrica de entrada e outros parâmetros. A função STL_Seasonal pode identificar um padrão sazonal em uma série temporal, separando-o da tendência geral exibida pelos dados.
STL_Residual é uma função de decomposição de séries temporais. Juntamente com STL_Seasonal e STL_Trend, essa função é usada para decompor uma série temporal em componentes sazonais, de tendência e residuais. No contexto do algoritmo STL, a decomposição de séries temporais é usada para identificar tanto um padrão sazonal recorrente quanto uma tendência geral, considerando uma métrica de entrada e outros parâmetros. Ao realizar essa operação, parte da variação na métrica de entrada não se encaixará no componente sazonal nem no componente de tendências e será definida como o componente residual. A função de gráfico STL_Residual captura essa parte do cálculo.
Se você encontrar algum problema com esta página ou seu conteúdo - um erro de digitação, uma etapa ausente ou um erro técnico - informe-nos como podemos melhorar!
Participe do Programa de Modernização do Analytics
Modernize sem comprometer seus valiosos aplicativos QlikView com o Programa de Modernização do Analytics. Clique aqui para mais informações ou entre em contato: ampquestions@qlik.com
