Det här är en grupp av funktioner som beräknar egenskaper för enskilda dimensionvärden i ett diagram, med hjälp av redan aggregerade tal.
Funktioner är relationsberoende i den mening att funktionens utdata inte bara beror på värdet för själva datapunkten, utan även på värdets relation till andra datapunkter. Till exempel så kan rangordning inte beräknas utan en jämförelse med andra dimenionsvärden.
Dessa funktioner kan endast användas i diagramuttryck. De kan inte användas i laddningsskriptet.
En dimension behövs i diagrammet eftersom detta definierar de andra datapunkter som behövs för jämförelsen. Därmed är en relationsfunktion inte meningsfull i ett diagram utan dimensioner (till exempel ett KPI-objekt).
Använd listrutan för varje funktion för att visa en kort beskrivning samt syntaxen för funktionen. Klicka på funktionens namn i syntaxbeskrivningen för fler detaljer.
Rangordningsfunktioner
Anteckning om informationAlternativet Visa inte nollvärden inaktiveras automatiskt när dessa funktioner används. NULL-värden ignoreras.
Rank() utvärderar raderna i diagrammet i uttrycket, och visar för varje rad den relativa placeringen av dimensionsvärdet utvärderat i uttrycket. Funktionen utvärderar uttrycket, jämför resultatet med resultaten på de andra raderna som innehåller det aktuella kolumnsegmentet och returnerar rangordningsnumret för den aktuella raden inom segmentet.
HRank() utvärderar uttrycket och jämför resultatet med resultaten i de andra kolumnerna som innehåller det aktuella radsegmentet i en pivottabell. Funktionen returnerar sedan rangordningsnumret för den aktuella kolumnen inom segmentet.
KMeans2D() utvärderar raderna i diagrammet genom att tillämpa k-medelvärdesklustring, och för varje diagramrad visas kluster-ID för klustret som den datapunkten tilldelats till. Kolumnerna som används av klusteralgoritmen avgörs av parametrarna coordinate_1 respektive coordinate_2. Dessa är båda aggregeringar. Antalet kluster som skapas avgörs av parametern num_clusters. Data normaliseras med normparametern (valfritt).
KMeansND() utvärderar raderna i diagrammet genom att tillämpa k-medelvärdesklustring och för varje diagramrad visas kluster-ID för klustret som den datapunkten tilldelats till. Kolumnerna som används av klusteralgoritmen avgörs av parametrarna coordinate_1 och coordinate_2 osv. upp till n kolumner. Dessa är alla aggregeringar. Antalet kluster som skapas avgörs av parametern num_clusters.
KMeansCentroid2D() utvärderar raderna i diagrammet genom att tillämpa k-medelvärdesklustring, och för varje diagramrad visas önskad koordinat för klustret som den datapunkten tilldelats till. Kolumnerna som används av klusteralgoritmen avgörs av parametrarna coordinate_1 respektive coordinate_2. Dessa är båda aggregeringar. Antalet kluster som skapas avgörs av parametern num_clusters. Data normaliseras med normparametern (valfritt).
KMeansCentroidND() utvärderar raderna i diagrammet genom att tillämpa k-medelvärdesklustring och för varje diagramrad visas önskad koordinat för klustret som den datapunkten tilldelats till. Kolumnerna som används av klusteralgoritmen avgörs av parametrarna coordinate_1, coordinate_2 osv. upp till n kolumner. Dessa är alla aggregeringar. Antalet kluster som skapas avgörs av parametern num_clusters.
STL_Trend är en funktion för uppdelning av tidsserier. Tillsammans med STL_Seasonal och STL_Residual används denna funktion för att dela upp en tidsserie i säsongs-, trend- och residualkomponenter. För STL-algoritmen används uppdelning i tidsserier för att identifiera både återkommande säsongsvariationer och en allmän trend för ett givet indatamätetal och andra parametrar. STL_Trend-funktionen identifierar en allmän trend oberoende av säsongsmönster och cykler från tidsseriedata.
STL_Seasonal är en funktion för uppdelning av tidsserier. Tillsammans med STL_Trend och STL_Residual används denna funktion för att dela upp en tidsserie i säsongs-, trend- och residualkomponenter. För STL-algoritmen används uppdelning i tidsserier för att identifiera både återkommande säsongsvariationer och en allmän trend för ett givet indatamätetal och andra parametrar. STL_Seasonal-funktionen kan identifiera ett säsongsmönster i en tidsserie och separera denna från den allmänna trenden som visas av data.
STL_Residual är en funktion för uppdelning av tidsserier. Tillsammans med STL_Seasonal och STL_Trend används denna funktion för att dela upp en tidsserie i säsongs-, trend- och residualkomponenter. För STL-algoritmen används uppdelning i tidsserier för att identifiera både återkommande säsongsvariationer och en allmän trend för ett givet indatamätetal och andra parametrar. När denna åtgärd utförs kommer en del av indatamätetalen varken passa in för säsongs- eller trendkomponenten och kommer att definieras som residualkomponenten. STL_Residual-diagramfunktionen fångar upp denna del av beräkningen.
Om du hittar några fel på denna sida eller i innehållet – ett stavfel, ett steg som saknas eller ett tekniskt fel – berätta för oss så att vi kan blir bättre!
