第104页，共191页。 显示 1,901 条结果 (0.066 秒)
SSR_FillQueryData参数值没变
（本文档仅供参考） 问题说明 SSR_FillQueryData公式如何使用，根据功能描述SQL的参数，可以是静态数据也可以指定单元格，但是A1单元格值为参数值，查询结果还是参数默认值。 image2020-8-19_11-34-38.png 解决方案 此公式不支持扩展单元格，支持使用静态参数值或者单元格方式传参： 静态参数值：=SSR_FillQueryData("I8a8a4a91016922522252e7be016928a65a424207",10,"参数名称:参数值") 静态单元格：=SSR_FillQueryData("I8a8a4a91016922522252e7be016928a65a424207条件格式告警 - 条件格式格式时间大于某个值高亮不生效
（本文档仅供参考） 问题 扩展字段是时间，想要设置大于某个时间就高亮，设置时间确定之后时间变成了一串数字，没有效果，设置如下： 05.png 06.png 解决方案 此问题是由于第三方插件支持异常，基于产品底层没有较好的解决方案，可通过以下方式规避： 先在数据集中处理时间，处理成数值类型（第三方插件对数值类型处理正常），在excel中作为辅助单元格（该列可以隐藏） 02.png 01.png 在excel通过对比这个值去将原本的时间设置高亮，具体如下： 03.png 具体效果如下： 04.png 日期的条件格式不生效 时间的条件格式不生效ubuntu 24 环境下 AIchat 安装常见问题及解决方案
: Devices cgroup isn't mounted” 查看当前操作系统cgroup版本 #mount -l |grep cgroup image2025-2-25_13-18-47.png 2.3 总结 AIchat安装包默认带有的docker 版本为 19，需要使用 cgroup1，当前系统 … /ubuntu/dists/ image2025-2-25_13-57-13.png 4.1.2 根据 Ubuntu 24 的代号 noble和系统架构（如 amd64）选择以下docker安装包： image2025-2-25_13-56-41.png #Docker Compose wget "https部分AIChat项目升级docker-compose.yml
1. 目标项目 部分较老的项目，如果使用2025年5月份之前的安装包，在升级时需要做启动脚本的升级。 如果使用2025年 5月份之后的安装包部署，则不需要下面的步骤，部署时已经自动处理。 需要修改的文件包括：docker-compose.yml, run.sh ，需要添加的文件有scripts/agent/healthcheck.sh。 2. docker-compose.yml 需修改docker-compose.yml，修改后的完整脚本（不能直接复制，应按需修改目录） version: "3" services: nginx: image: "nginx:alpine" ports常见启动报错
许Server接受的数据包设置值 max_allowed_packet 太小为200M Mysql访问知识库异常Packet for query is too large可参考文档：https://history.wiki.smartbi.com.cn/pages/viewpage.action?pageId … 。 11.MySQL Packet for query is too large 错误现象：在smartbi.log或者控制台看到如下错误信息 9.png 这种错误是因为MYSQL 中配置中允许Server接受的数据包设置值max_allowed_packet 太小所导致的。可以参考文档：MySQL知识库访问异常PacketEcharts图形初始化显示时间设置
（本文档仅供参考） 问题 echarts图形的初始化的时间是否可用设置；比如：刷新图形时会有初始化，这个初始化时间是否可用设置，比如设置2s图形初始化完毕。 解决方案 可以使用如下扩展属性： "series": [{ "animationDuration": "2000" }] 或者如下扩展属性： { "animationDuration": 20000 } 图形初始化时间数据 - word分析报告可视化挑选发布错位
(年的单元格，2017年分组后的第一个单元格行号，当前列为0) image2021-10-22_18-24-33.png 2、通过INDEX函数获取列表单元格，具体方法可参考：公式函数 - 电子表格获取扩展单元格数据 下图为例：=INDEX(I5数据模型-概述
： image2021-7-29_17-2-4.png 雪花模型是对星型模型的扩展，它对星型模型的维表进一步层次化，原有的各维表可能被扩展为小的事实表，形成一些局部的 "层次 " 区域，这些被分解的表都连接到主维度表而不是事实表。如将产品维表分解为产品类别维表。 星座模型 星座模型：包含多个事实表，维表是公共的，可以共享 … 在架构体系中各有优劣，其对比如下： 区别项 星型模型 雪花模型 维度表 一级维度表 多级维度表（子维度表） 存储空间 多 少 数据冗余度 大 小 表宽度 宽 窄 扩展性 差 好数据挖掘-服务SDK使用示例
服务部署指的是当用户用实验训练好了一个预测模型 ，并将此预测模型部署成一个web的服务。当前发布的web服务就可以作为预测模型应用于类似场景的预测，当用户要预测一个新样本，只需要把样本特征信息用 restful api 传给服务，服务就可以依据训练好的预测模型返回预测结果。接下来主要演示如何通过服务SDK，实现样本预测的过程。 一、获取sdk jar包 image2023-6-16_13-37-38.png 二、工程引入sdk jar包 三、使用示例说明 image2023-6-16_13-45-40.png 其中服务ID可以通过服务管理-双击单个服务得到，如系统监控-监视
。 监视3.png 清空 点击 清空 按钮，可清空监控过程中保存的信息。 导出 点击 导出 按钮，会以压缩包的形式导出监控过程中保存的信息。 2019-8-6 星期二 11-18-37.jpg 导入 通过 导出所有 按钮保存下来的压缩包文件，解压之后，可选择 导入 按钮选择解压后的文件夹中
