İlişkisel fonksiyonlar

Bu, bir grafikteki ayrı boyutsal değerlerin özelliklerini zaten toplanmış sayıları kullanarak hesaplayan bir grup fonksiyondur.

Fonksiyonlar; çıktının yalnızca veri noktası değerinin kendisine değil değerin diğer veri noktalarıyla ilişkisine de bağımlı olması nedeniyle ilişkiseldir. Örneğin bir sıralama, diğer boyutsal değerlerle karşılaştırma yapılmadan hesaplanamaz.

Bu fonksiyonlar yalnızca grafik ifadelerinde kullanılabilir. Bunlar bir yükleme komut dosyasında kullanılamaz.

Karşılaştırma için gereken diğer veri noktalarını da tanımladığından grafikte bir boyut olması gerekir. Bu nedenle ilişkisel bir fonksiyon boyutsuz bir grafikte (örneğin bir KPI nesnesi) anlamlı değildir.

Her bir fonksiyonun kısa açıklamasını ve söz dizimini görmek için her bir fonksiyonun açılan menüsünü kullanın. Daha ayrıntılı bilgiler için söz dizimi açıklamasında fonksiyon adına tıklayın.

Sıralama fonksiyonları

Bu fonksiyonlar kullanıldığında, sıfır değerlerinin gösterilmemesi otomatik olarak devre dışı bırakılır. NULL değerler göz ardı edilir.

Rank(), ifadedeki grafiğin satırlarını değerlendirir ve her bir satır için, ifadede değerlendirilen boyutun değerinin göreli konumunu görüntüler. Fonksiyon ifadeyi değerlendirirken, sonucu, geçerli sütun segmentini içeren diğer satırların sonucuyla karşılaştırır ve geçerli satırın segment içindeki sıralamasını döndürür.

rank([TOTAL [<fld {, fld}>]] expr[, mode[, fmt]])

HRank(), ifadeyi değerlendirir ve sonucu, bir pivot tablonun geçerli satır segmentini içeren diğer sütunların sonucu ile karşılaştırır. Fonksiyon daha sonra, geçerli sütunun segment içindeki sıralamasını döndürür.

HRank([TOTAL] expr[, mode[, fmt]])

Kümeleme fonksiyonları

KMeans2D(), k-ortalama kümelemesi uygulayarak grafiğin satırlarını değerlendirir ve her bir grafik satırı için bu veri noktasının atandığı kümenin küme kimliğini görüntüler. Kümeleme algoritması tarafından kullanılan sütunlar sırasıyla coordinate_1 ve coordinate_2 parametreleri tarafından belirlenir. Bunların her ikisi de toplamadır. Oluşturulan küme sayısı, num_clusters parametresi tarafından belirlenir. Veriler isteğe bağlı olarak norm parametresi ile normalleştirilebilir.

Kmeans2D(num_clusters, coordinate_1, coordinate_2 [, norm])

KMeansND(), k-ortalama kümelemesi uygulayarak grafiğin satırlarını değerlendirir ve her bir grafik satırı için bu veri noktasının atandığı kümenin küme kimliğini görüntüler. Kümeleme algoritması tarafından kullanılan sütunlar, n sütuna kadar sırasıyla coordinate_1, coordinate_2 vb. parametreleri tarafından belirlenir. Bunların tümü toplamadır. Oluşturulan küme sayısı, num_clusters parametresi tarafından belirlenir.

KmeansND(num_clusters, num_iter, coordinate_1, coordinate_2 [,coordinate_3 [, ...]])

KMeansCentroid2D(), k-ortalama kümelemesi uygulayarak grafiğin satırlarını değerlendirir ve her bir grafik satırı için bu veri noktasının atandığı kümenin istenen koordinatını görüntüler. Kümeleme algoritması tarafından kullanılan sütunlar sırasıyla coordinate_1 ve coordinate_2 parametreleri tarafından belirlenir. Bunların her ikisi de toplamadır. Oluşturulan küme sayısı, num_clusters parametresi tarafından belirlenir. Veriler isteğe bağlı olarak norm parametresi ile normalleştirilebilir.

KmeansCentroid2D(num_clusters, coordinate_no, coordinate_1, coordinate_2 [, norm])

KMeansCentroidND(), k-ortalama kümelemesi uygulayarak grafiğin satırlarını değerlendirir ve her bir grafik satırı için bu veri noktasının atandığı kümenin istenen koordinatını görüntüler. Kümeleme algoritması tarafından kullanılan sütunlar, n sütuna kadar sırasıyla coordinate_1, coordinate_2 vb. parametreleri tarafından belirlenir. Bunların tümü toplamadır. Oluşturulan küme sayısı, num_clusters parametresi tarafından belirlenir.

KmeansCentroidND(num_clusters, num_iter, coordinate_no, coordinate_1, coordinate_2 [,coordinate_3 [, ...]])

Zaman serisi ayrıştırma fonksiyonları

STL_Trend bir zaman serisi ayrıştırma fonksiyonudur. Bu fonksiyon, STL_Seasonal ve STL_Residual ile birlikte bir zaman serisini mevsimsel, eğilimsel ve artık bileşenlerine ayrıştırmak için kullanılır. STL algoritması bağlamında, bir giriş metriği ve diğer parametreler verili kabul edildiğinde, gerek tekrarlanan bir mevsimsel deseni gerekse genel bir eğilimi tanımlamak için zaman serisi ayrıştırma kullanılır. STL_Trend fonksiyonu, zaman serisi verilerinden mevsimsel desen ve döngülerden bağımsız genel bir eğilimi tanımlar.

stl_trend(target_measure, period_int [,seasonal_smoother [,trend_smoother]])

STL_Seasonal bir zaman serisi ayrıştırma fonksiyonudur. Bu fonksiyon, STL_Trend ve STL_Residual ile birlikte bir zaman serisini mevsimsel, eğilimsel ve artık bileşenlerine ayrıştırmak için kullanılır. STL algoritması bağlamında, bir giriş metriği ve diğer parametreler verili kabul edildiğinde, gerek tekrarlanan bir mevsimsel deseni gerekse genel bir eğilimi tanımlamak için zaman serisi ayrıştırma kullanılır. STL_Seasonal fonksiyonu, bir zaman serisinde mevsimsel bir deseni tanımlayabilir ve bunu verilerin sergilediği genel eğilimden ayırır.

stl_seasonal(target_measure, period_int [,seasonal_smoother [,trend_smoother]])

STL_Residual bir zaman serisi ayrıştırma fonksiyonudur. Bu fonksiyon, STL_Seasonal ve STL_Trend ile birlikte bir zaman serisini mevsimsel, eğilimsel ve artık bileşenlerine ayrıştırmak için kullanılır. STL algoritması bağlamında, bir giriş metriği ve diğer parametreler verili kabul edildiğinde, gerek tekrarlanan bir mevsimsel deseni gerekse genel bir eğilimi tanımlamak için zaman serisi ayrıştırma kullanılır. Bu işlem gerçekleştirilirken, giriş metriğindeki değişkenliğin bir kısmı ne mevsimsel ne de eğilimsel bileşene uymayacak ve artık bileşen olarak tanımlanacaktır. STL_Residual grafik fonksiyonu hesaplamanın bu kısmını yakalar.

stl_residual(target_measure, period_int [,seasonal_smoother [,trend_smoother]])

Bu sayfa size yardımcı oldu mu?

Bu sayfa veya içeriği ile ilgili bir sorun; bir yazım hatası, eksik bir adım veya teknik bir hata bulursanız, bize bildirin, düzeltelim!

Geri bildiriminizi buradan iletin