Это группа функций, которые вычисляют свойства отдельных значений измерений в диаграмме с использованием уже агрегированных значений.
Функции являются родственными в том смысле, что вывод функции зависит не только от значения самой точки диаграммы, но и от связи этого значения с другими точками диаграммы. Например, ранг невозможно вычислить без сравнения с другими значениями измерений.
Эти функции могут использоваться только в выражениях диаграмм. Их нельзя использовать в скрипте загрузки.
В диаграмме требуется измерение, так как оно определяет другие точки диаграммы, необходимые для сравнения. Следовательно, родственная функция не имеет смысла в диаграмме без измерений (такой как объект ключевого показателя эффективности).
Пользуйтесь информацией из раскрывающегося списка по каждой функции, чтобы увидеть краткое описание и синтаксис каждой функции. Дополнительную информацию можно получить, если щелкнуть имя функции в описании синтаксиса.
Функции ранжирования
Примечание к информацииПри использовании данных функций автоматически отключается запрещение нулевых значений. Значения NULL игнорируются.
Rank() оценивает строки диаграммы в выражении и для каждой строки отображает относительное положение значения измерения, оцененного в выражении. При оценке выражения эта функция сравнивает результат с результатом других строк, содержащих текущий сегмент столбца, и возвращает ранжирование текущей строки в сегменте.
HRank() оценивает выражение и сравнивает результат с результатом других столбцов, содержащих сегмент текущей строки сводной таблицы. Затем функция возвращает ранжирование текущего столбца в сегменте.
KMeans2D() вычисляет строки диаграммы путем применения кластеризации методом k-средних; для каждой строки диаграммы отображается идентификатор кластера, которому была назначена эта точка диаграммы. Столбцы, используемые алгоритмом кластеризации, определены соответственно параметрами coordinate_1 и coordinate_2. Они оба являются агрегированиями. Количество созданных кластеров определяется параметром num_clusters. Данные могут быть при необходимости нормализованы с помощью параметра нормы.
KMeansND() вычисляет строки диаграммы путем применения кластеризации методом k-средних; для каждой строки диаграммы отображается идентификатор кластера, которому была назначена эта точка диаграммы. Столбцы, используемые алгоритмом кластеризации, определяются соответственно параметрами coordinate_1 и coordinate_2 и т. д. до n столбцов. Все они являются агрегированиями. Количество созданных кластеров определяется параметром num_clusters.
KMeansCentroid2D() вычисляет строки диаграммы путем применения кластеризации методом k-средних; для каждой строки диаграммы отображается желаемая координата кластера, которому была назначена эта точка диаграммы. Столбцы, используемые алгоритмом кластеризации, определяются соответственно параметрами coordinate_1 и coordinate_2. Они оба являются агрегированиями. Количество созданных кластеров определяется параметром num_clusters. Данные могут быть при необходимости нормализованы с помощью параметра нормы.
KMeansCentroidND() вычисляет строки диаграммы путем применения кластеризации методом k-средних; для каждой строки диаграммы отображается желаемая координата кластера, которому была назначена эта точка диаграммы. Столбцы, используемые алгоритмом кластеризации, определяются соответственно параметрами coordinate_1 и coordinate_2 и т. д. до n столбцов. Все они являются агрегированиями. Количество созданных кластеров определяется параметром num_clusters.
STL_Trend — это функция разложения временных рядов. Вместе с STL_Seasonal и STL_Residual эта функция используется для разложения временных рядов на компоненты: сезонность, тренд и остаточный компонент. В контексте алгоритма STL разложение временных рядов используется для идентификации повторяющейся модели сезонности и общего тренда на основе входной метрики и других параметров. Функция STL_Trend будет идентифицировать общий тренд, независимо от сезонных моделей или циклов, на основе данных временных рядов.
STL_Seasonal — это функция разложения временных рядов. Вместе с STL_Trend и STL_Residual эта функция используется для разложения временных рядов на компоненты: сезонность, тренд и остаточный компонент. В контексте алгоритма STL разложение временных рядов используется для идентификации повторяющейся модели сезонности и общего тренда на основе входной метрики и других параметров. Функция STL_Seasonal может идентифицировать сезонную модель в рамках временных рядов, отделяя ее от общего тренда, наблюдаемого в данных.
STL_Residual — это функция разложения временных рядов. Вместе с STL_Seasonal и STL_Trend эта функция используется для разложения временных рядов на компоненты: сезонность, тренд и остаточный компонент. В контексте алгоритма STL разложение временных рядов используется для идентификации повторяющейся модели сезонности и общего тренда на основе входной метрики и других параметров. При выполнении этой операции часть вариаций входной метрики не будет относится ни к сезонности, ни к тренду и будет идентифицироваться как остаточный компонент. Функция диаграммы STL_Residual захватывает эту часть вычисления.
Если вы обнаружили какую-либо проблему на этой странице и с ее содержанием — будь то опечатка, пропущенный шаг или техническая ошибка, сообщите нам об этом, чтобы мы смогли ее исправить!
Присоединяйтесь к программе модернизации аналитики
Модернизируйте ваши важные приложения QlikView без ущерба с помощью программы модернизации аналитики. Щелкните здесь для получения дополнительной информации или свяжитесь с нами: ampquestions@qlik.com
