第64页，共308页。 显示 3,072 条结果 (0.077 秒)
即席查询-综合应用示例
我们需要通过清单表来对数据进行统计汇总分析，并且辅以条件筛选、告警、数据格式显示等功能时，我们通常定制即席查询来满足这类数据分析的业务需求。 下面，我们将以一个演示示例来展现即席查询的效果以及各辅助功能。 业务需求 某车企，每个季度末都要对各品牌及车型的销售情况进行统计汇总，并上报给相关管理层进行查询分析，具体 … 显示上一次显示的数据结果。 需求分析 我们的系统内置库“hot_sale_cars”存储了所有明细数据，基于该库内置的业务主题“CSAC汽车销售分析”已经按照业务逻辑对数据进行了部分处理。 我们基于该业务主题，结合以上销售数据的统计分析需求，对上面所描述的需求进行如下分析： 1、展现的输出字段：品牌、车型即席查询 ⬝ 即席查询
即席查询在业务中通常用于满足明细数据的查询需要： 提供自助化的操作界面，用户基于语义层（或数据源）可以在权限受控下自主定义筛选条件（及其显示格式），以及选择需要的具体字段。 允许用户通过简单的鼠标勾选数据字段与查询条件快速获得所需数据，并提供聚合计算、告警规则、重定义表关系、改变条件组合逻辑等高级功能。 即席查询示例如下： image2019-10-22 17_41_28.png 对象：适用业务分析人员。 特点：易用、快速、即查即得。MongoDB数据连接
。 image2021-7-1_15-15-32.png 2.2 连接步骤 1）登录Smartbi企业报表分析平台，选择 数据连接>NoSQL数据库 ，点击 MongoDB 图标进入数据库连接界面。如下图所示： 526.png 2）根据配置信息，输入数据库对应的信息。如下图所示： 527.png 说明： a、名称 … 如何连接mongodb 相关章节进行配置。 4）]}、{[等特殊字符的组合antlr第三方工具包无法正常解析，需要通过在中括号和大括号之间添加换行，进行格式化规避处理； 如直接执行db.test.find({"name":{$in:["ttt"]}})，会报Impala与Hive的比较
，但从客户端使用来看Impala与Hive有很多的共同之处，如数据表元数据、ODBC/JDBC驱动、SQL语法、灵活的文件格式、存储资源池等。Impala与Hive在Hadoop中的关系如图 2所示。Hive适合于长时间的批处理查询分析，而Impala适合于实时交互式SQL查询，Impala给数据分析人员提供了快速实验、验证想法的大数据分析工具。可以先使用hive进行数据转换处理，之后使用Impala在Hive处理后的结果数据集上进行快速的数据分析。 http://tech.uc.cn/wp-content/uploads/2013/07/impala_s.jpg http://tech.uc.cn/wp-content直连&抽取
性需求很高的用户：用户进行业务分析实时性要求很高,直连引擎实时取数，最高实现毫秒级数据刷新。 数据安全性要求很高的用户：不希望将数据抽取到第三方软件，希望直接连自己的业务库取数。 拥有大数据平台的用户：目前很多企业有较为专业的大数据平台，数据质量很高，通过直连引擎取数，可以在保障数据分析性能的同时避免数据资源 … 做联合分析。 非常适用于企业没有独立数仓或数仓负载过重的情况，使用抽取模式可以提高性能。 3 直连介绍 直连：是指直接连接用户数据库进行数据的读取。 1、目前Smartbi JDBC for Excel、MongoDB、Tinysoft、Smartbi jdbc4Olap这个几个数据库 不支持直连，其他自定义计算度量
度量一般在报表交互时使用。 1、如果开启了SQL引擎，只要勾选了计算度量无法走SQL引擎取数，详参：SQL引擎V1.0介绍。 2、内置的向导：数学运算、时间计算、汇总计算、文本转换、命名集几大类的向导，详参：自定义表达式模板 3、在报表层创建计算度量，可参考：仪表盘创建计算度量、透视分析创建计算度量 。 4、计算 … 组合运用，从而得到新的计算度量。 多维表达式它有自己的语法，如果想了解多维表达式的，可查阅：数据模型引擎的基本语法及概念。 特点 不被存储。 在使用时才计算(因此会根据上下文筛选而变动)。 消耗CPU。 3 示例说明 模式 示例 函数 计算度量示例热力图
量； 数据要求：维度的数据量不宜太少。 适用场景：热力图主要用于展示连续型数据的分布情况。例如用颜色展现某一范围内不同地区数据量的差异，网站分析等等。 不适用场景： 1) 两个分类维度的组合40%以上都不具有度量值，导致矩形空缺过多的数据。 2) 大部分的度量值数据差值百分比都低于5%，会导致大部分矩形颜色会 … ； 交互设计：如需了解交互相关功能，可参考文档自助仪表盘-交互设计 https://wiki.smartbi.com.cn/pages/viewpage.action?pageId=83701105； 计算分析：如需使用快速计算、自定义计算等，可参考文档自助仪表盘-计算分析 https交互式仪表盘-组件
概述 Smartbi提供了70+组件供选用，覆盖了“图表、表格、指标、信息、门户、其他、资源”7大类，同时还支持自定义图形组件，全方位满足您的分析需求，帮助您直观地展现分析结果。 2022-01-22_11-13-36.png 组件选用 点击组件，选择所需类型的组件，将其拖拽至画布区： 1.gif 组件 … 组件类型。 2022-02-19_10-56-05.png 2022-01-22_16-29-17.png 智能问答 通过“智能问答”可快速生成简易的图表来辅助分析，然后通过仪表盘的图形设置可以制作出精美的可视化报表。 2022-01-22_16-31-25.png 移动 用于自由布局的介绍
专业人员 大屏可视化通过对数据、图表组件拖拉拽以及所见即所得的配置方式，即可快速实现专业的大屏效果。 多类组件、智能配图，全方位展现数据 大屏可视化拥有10+组件、20+图形，多维度分析数据。 详情可参考组件说明 布局自由、鹰眼加持，设计效果随心调整 大屏可视化运用自由布局，通过“鹰眼”功能随时调整画布比例，展示大屏最佳效果，提高设计效率。 详情可参考自由布局-操作指南 联动钻取、快速计算，数据灵活交互 大屏可视化可对数据进行联动钻取、时间计算等，结合丰富的交互功能，让数据开口说话，传达出超其本身的信息。 详情可参考计算分析 应用场景 大屏可视化将关键数据绚丽、震撼的呈现在一块巨型屏幕中，给人更好的视觉体验某政府单位疫情期间网民情绪识别
数据进行文本挖掘分析，本次数据挖掘建模的目标如下： 1、分析某一网民对疫情相关话题的情感倾向。 2、从微博内容挖掘出网民情绪积极与异常情绪缘由。 3、针对情绪消极用户指定对策进行舆情引导，防止情绪进一步恶化。 本次建模针对疫情期间网民关于疫情相关话题的微博中文内容，在对文本进行预处理、分词、停用词处理后，通过分类算法随机森林和LDA主题模型多种数据挖掘模型，实现对微博中文内容数据的情感倾向的判断以及所隐藏的信息的挖掘分析，以期望得到有价值的内在内容。 本案例的疫情期间网民情绪识别的总体流程如图1-1所示。 1.png 图1-1 1）获取数据，数据来源于赛题疫情期间网民情绪数据。 2）对获取的数据进行基本的处理操作
