第45页，共378页。 显示 3,773 条结果 (0.045 秒)
线图/堆积线图
场景： 1）线图适合二维的大数据集，还适合多个二维数据集的比较。 2) 反映变化趋势，关联性。 3) 堆积线图适合大数据集的趋势分析，尤其适合非离散型维度分析，比如时间，价格走势 。 示例 我们在业务分析中，经常会对趋势进行对比分析。实际应用中， 线图主要有如下三种应用情景： 示例1：查看公司当年 … ： 列区：1个维度 行区：1个或多个度量 颜色区：1个维度/1个度量 适用场景： 1）线图适合二维的大数据集，还适合多个二维数据集的比较。 2) 反映变化趋势，关联性。 3) 堆积线图适合大数据集的趋势分析，尤其适合非离散型维度分析，比如时间，价格走势 。 示例 我们在业务分析中，经常快速创建数据模型
视频教程可参考快速创建数据模型.mp4 1、场景说明 我们演示如下数据模型： 1、构建”产品“维度：包含”产品类别“和”产品“层次。 2、构建”时间“维度：包含”年月日“层次。 3、构建”地理“维度：包含”区域“、”省份“和”城市“层次。 4、构建“客户”维度：包含“顾客编号”、“公司名称 … 日期”，在其更多菜单中选择 “年-年季-年月-年月日”： image2022-2-26_16-28-55.png 7）在“维度”面板中将模型表“产品类别表”、“产品表”、“顾客表：、”零售事实表“设置成 在报表中隐藏。 image2022-2-26_16-31-53.png 5、创建度量 1）在模型表”零售事实创建计算列
计算销售额，并将该计算结果存储在计算列中； 数据转换：计算列可以用于将数据格式化或转换为其他形式。例如，可以将日期时间列分解为年、月、日等部分，并存储在计算列中，以便后续按时间进行分析； 数据筛选：计算列可以用于根据特定条件对数据进行筛选和标记。例如，可以创建一个计算列来标记销售额超过某个阈值的产品。 1、计算 … ，可参考：跨表创建计算列。 14、在计算列的语法定义中，仅支持单引号（'）表示字符串常量，不能用双引号。 15、 计算列， 判断相等用一个=，不能用两个==。 2 示例说明(不跨表) Smartbi 提供了添加计算列的功能，实现对已存在的字段再计算，从而可以得到新的字段。 2.1 字符串加工 例如查询并准备数据
的日期是独立完整的，没有缺失。 日期表除了自带的日期列，可以衍生出其他日期相关列，诸如年、月、日、季、周等，一年365行数据。业务表就不同了，一个公司有N个部门，一个部门有N个员工，假如每个员工每天产生一条业务数据，那一年要多少行？如果想按季统计销量，按月统计采购、按周统计销量、就必须同时扩充这三张表里的日期列——毫无 … 数据模型”即席查询“，在V11 的202407月最新版本中更名为”可视化SQL查询“。 3 SQL查询 适用于熟悉SQL的技术人员 用户可以通过自定义SQL对数据库中的表、字段进行处理比如：跨表合并数据、转换字段、计算字段等 使用SQL查询过滤数据 使用SQL查询进行权限控制 4计算度量与计算列的区别
度量 组件快速计算、时间计算 基于某个指标快速算同期值、累计值 计算度量 复杂、高级计算 比如动态计算某个指标、时间比较、固定维度计算等 计算度量、命名集、计算成员 3 计算度量与计算列的区别 以下图数据做示例进行说明，示例数据：计算度量与计算列区别.xlsx … 1 概述 在数据分析领域，计算列和计算度量是极为常用的数据加工方式。 计算列在数据模型的表层面，通过给模型中指定表/查询添加新的物理列实现数据的二次计算与转换； 计算度量则借助多维表达式（MDX），以虚拟字段的形式，在报表生成阶段动态完成计算任务。由于两者特性各异，在实际应用场景中，我们需依据具体需求，灵活选择关系数据源-连接Smartbi Jdbc4Olap数据源
SQL文本如下： select "产品___品牌" 品牌, sum("Measures___Unit Sales") 销售额 , "时间___月" 月 from "FoodMartCN@@Sales"."Measures … " ='2016年' group by "产品___品牌", "时间___月" order by "产品___品牌", 销售额 从版本13恢复快速入门
Smartbi AIChat（白泽），是基于大模型（LLM）智能体技术的新一代智能 BI。Smartbi AIChat 融合了 NL2DSL、数据模型的功能优势，采用先进的 Agent 技术，灵活性、扩展性和泛化能力更强。通过 DeepSeek、Qwen 等大模型与数据平台结合，支持用户通过自然语言实现对话分析、时间 … 自然语言实现对话分析、时间计算、归因分析、趋势预测等高级分析，深入洞察数据，释放数据价值。快速开始，请参考 界面介绍。 image2025-4-1_9-39-4.png 应用场景 Smartbi AIChat 针对业务用户日常数据分析过程中的主要需求及痛点，着力进行产品的优化打磨，应对如下几个 应用场景 游刃有余如何跟踪数据不对的情况
/202409/feed/202409031728136518.png 举一反三： 通常也出现在年周时间维度的应用上。旧版本的时间层次结构允许生成包含年周的层次： 年->年季>年月->年周->年月日 比如下图出现了2024年22周两条数据，实际上2024年22周存在跨月的 https … 进入透视分析模式/即席查询模式进一步跟踪，具体见下图 3，如果是计算度量、命名集等数据不对，能转为检查原子指标/维度的优先转为原子指标/维度，如发现销售额同期值不对，就可先检查对应时间的销售额指标，因为这样可以在耗时分析直接看到执行SQL，否则还需借助MDX查询监控 4，可基于数据模型中“SQL查询”格式化耗时在数据模型中如何自定义分组？
字段 以northwind建立数据模型，在数据模型中新增分组字段， 入口，如下图，点击”新建分组字段“ 7.png 如下图: 8.png 序号 功能 描述 1 字段名称 必填；可输入数字、半角中文和字母 2 分组字段 必填；只能选择维度，不能选择时间层次、层次结构、度量、计算 … 下： 5.png 2.1.2 基于分组建立报表 去建交互式仪表盘，拖入”分组城市“、”产品类别“、”销售量“、”销售指标“,如下图：可以基于城市进行分类对比，如下图： 1.png 假设业务用户又想在报表上基于时间维度进行对比，但是又不想去模型定义，这时可以直接在报表上新增分组字段，详情请看下面的示例: 范围分组 3数据挖掘-自动特征组合
概述 自由特征组合是将现有特征按照一定方式进行组合，形成新的特征，为后续的挖掘工作提供基础。它是通过将单独的特征进行组合（相乘）而形成的合成特征，特征组合有助于表示非线性关系。 例如：在电商推荐场景中，预测一个用户是否购买一个东西的场景下，性别（男女）是一个特征，时间维度是另一个特征（节假日，工作日，周末等待），特征组合就是假设性别特征是女，时间维度双11，会发现这两个特征组合起来一定是非常强对用户预测是否买东西的组合特征。女性在双十一购买商品的概率非常高，这就是交叉后的非线性的组合特征，非线性的组合特征对数据挖掘非常关键。 输入/输出 输入 一个输入端口，用于接收前置节点传下来的数据集
