第62页，共287页。 显示 2,865 条结果 (0.028 秒)
电子表格宏入门
spreadsheetReportChart：被点击图形名称，对象结构 onWriteBackInsertedRow 插入行后 spreadsheetReport：电子表格报表对象 editingCellPosition：当前编辑单元格，对象结构{row:, column大数据量查询优化：预计算
某些耗时的操作（例如JOIN、聚合）的结果保存下来，以便在查询时直接复用，从而避免这些耗时的操作，最终达到加速查询的目的，它是解决性能的一个举措。 预计算原理：其核心原理是借助高速缓存数据库的物化视图技术，在数据模型创建预计算时，触发数据抽取操作，将预计算结果插入或更新到缓存库。后续报表层查询时，若符合命中规则交互式仪表盘 ⬝ 参数组件
1 概述 在仪表盘中支持选择数据模型中定义的参数筛选数据。 数据模型参数常应用于以下场景： 在数据模型参数中插入用户属性或函数，实现数据权限控制。 查询结果数据量过大时，可默认过滤部分数据。 下拉树参数的多级筛选效果。 在计算度量、计算成员和命名集中实现动态获取结果。 详情请参考 数据模型-参数应用 。 2 场景示例 以下拉树参数为例，演示在仪表盘中如何使用参数组件。 2.1 场景说明 在做全国各省份订单分析时，需要切换省份筛选数据，且希望以树形效果展示区域和省份之间的关系。 canshuzujian-xiaoguo.gif 2.2 操作步骤 以产品内置Demo资源的“northwind”作为数据Smartbi V10.1-分析展现
+【自助仪表盘】WEB电子表格浏览功能增强 +【自助仪表盘】新增标签组件 +【自助仪表盘】组件边框支持上传图片 +【自助仪表盘】实现样式复用 +【自助仪表盘】新增宏接口 ^【自助仪表盘】增强筛选器默认值功能 ^【自助仪表盘】优化自助仪表盘组件自定义属性功能 ^【自助仪表盘】WEB电子表格小优化 … ://wiki.smartbi.com.cn/pages/viewpage.action?pageId=83700503 。 +【自助仪表盘】组件边框支持上传图片 功能介绍 新版本为了在定制大屏或仪表盘时，丰富样式效果，增加了支持上传图片设置组件边框的功能。通过这个功能我们可以改变单一的线条边框效果设置成如下多样化的边框电子表格⬝ 插件使用注意事项
使用电子表格的插件需要注意以下几个点。 序号 注意 1 电子表格不支持模块标注。 2 双击图形无法隐藏图片属性设置。 3 smartbi自带函数个人版需要安装【VBA模块】。（WPS 2019需要 安装宏安装包 ） 4 excel图形右键跳转规则、数据传值放在自定义tab页中。 5 WPS不支持下拉菜单中子项的提示功能，也不支持对下拉选择框标签置灰的功能。 6 WPS不支持从【个人宏工作簿】（PERSONAL.XLSB）中加载宏。开发人员资源
=51942031 点击图片进入开发之旅。 二次开发 高级开发 favourite数据挖掘-词频统计
概述 用于统计词在文本出现的次数。该节点只能选取数组类型的数据。常用于展示词云图。 输入/输出 输入 一个输入端口，用于接收分词后的数据集 输出 一个输出端口，用于输出词在文本出现的次数 参数设置 参数名称 说明 备注 选择标签列 选择需要统计的标签列 必填 示例 使用“深圳企业信息”示例数据，选择分词和停用词处理后的列(企业名称_seg_words_filtered)，输出结果如下图所示： 图片5.png 词频统计流程设置项
未选中任何节点状况下，设置区显示的是当前流程的设置项。 流程设置项主要包含如下内容： 图片38.png 设置项 说明 名称 显示当前流程的名称。 报表 用于设置当前流程处理的报表。 填报入库设置 用于设置填报后入库的方式，仅对回写报表有效。 用户提交后入库：申请人提交后数据回写到业务库。 流程结束后入库：流程结束后数据才回写到业务库。 流程支持的知识库类型包括：MYSQL、 ORACLE,、MSSQL、DB2_V9。数据挖掘
/pages/viewpage.action?pageId=51940527 视频专区.png https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=52627427 （点击上面图片，开启您的机器学习之旅！） 数据挖掘目录 mining数据挖掘-训练
概述 训练是基于选择的特征，对各种分类和回归算法的模型进行训练。输出训练后的模型。 输入/输出 输入 两个输入端口：左边输入为待训练的算法，右边输入则为训练集。 输出 一个输出端口，用于输出训练后的模型。 示例 以逻辑回归算法为例：如下图 图片39.png 训练节点点击鼠标右键，可查看模型分析结果以及保存模型。 注：需要和“特征选择”节点联合使用，参考数据挖掘-聚类训练 训练
