第111页，共412页。 显示 4,119 条结果 (0.069 秒)
SmartBI线下excle异构数据源数据源报表开发实现路径
（本文档仅供参考） 需求： 场景举例：目前数据模型有一个复杂SQL查询(带参数)，需要关联一张线下EXCEL表，创建自助分析模型，给到用户即席or透视or仪表盘。 痛点： 1、模型处理异构表关联需要走抽取，抽取存在只能抽取参数默认值，故该方法不通 2、线下数据落到数仓，需要评估是否合规 3、自助ETL处理异构，流程比较复杂 解决方案: 目前在产品当中，要使用本地的Excel文件数据做分析, 1、通过文件数据源将数据导入到指定的数据库 2、通过ETL当中的功能将数据落地到数仓，然后Smartbi再通过数据模型进行处理 除此方法外，将本地Excel的数据导入到hive库当中，然后直连hive库中是数据表查数分析交互式仪表盘 ⬝ 场景入门示例
零食超市”门店的“巧克力”销售出现亏损。 4.3.5 分析结论和决策 经排查发现，由于在5月20号当天公司搞巧克力的促销活动，而“广州零食超市”门店的员工通过优惠券进行空买空卖，套取利益，导致整个企业的整体利润下滑。目前已通知相关管理人员对该店员工进行跟踪处罚，并且加强管理，防止此类事件的再次发生。 4.4 保存和 … 4、调整好之后，可以点击工具栏上的 保存 按钮保存此看板 4.4.1 看板分享 保存后的报表可以在 分析展现 对应的目录下找到，在看板上右键选择 分享 便可以多种形式把分析结果分享给领导查看。 Animation4.gif 5 数据和资源下载 快速入门资源.zip指标模型-快速入门
，保存该自助ETL。 6）返回全局视图页面，单击右下角 保存 按钮，即成功创建“经营分析指标模型”。 注:这一步结束之后还需要创建数据模型才算结束，不然数据源没法选择用于报表或大屏开发 10、资源参考 （2）上述快速创建指标模型的视频演示，可参考快速创建指标模型.mp4 … 本章示例内容都以“管理员”用户演示操作。 1、场景说明 我们演示简约版”经营分析指标模型“，它包含如下内容： 维度：“销售人员维”、“地理维”、“发生日期维”（包含“年”、“年季”、“年月”和”年月日“的时间频度）。 指标：合同个数、合同金额、合同预算。 2、入口及界面 资源目录区某指标模型快速创建指标模型
，单击 字段映射 按钮，确保映射关系如下并保存映射关系。 2023-01-30_17-19-45.png 5）执行目标节点，执行成功后，保存该自助ETL。 6）返回全局视图页面，单击右下角 保存 按钮，即成功创建“经营分析指标模型”。 10、资源参考 （1）上述快速创建指标模型的示例资源，可参考指标模型.xml … 本章示例内容都以“管理员”用户演示操作。 视频教程可参考快速创建指标模型.mp4 1、场景说明 我们演示简约版”经营分析指标模型“，它包含如下内容： 维度：“销售人员维”、“地理维”、“发生日期维”（包含“年”、“年季”、“年月”和”年月日“的时间频度）。 指标：合同个数、合同金额、合同预算电子表格⬝ 批量回写
名为”hx“的Excel文件，文件后缀名必须为”.xlsx“，且该表中的sheet个数与填报报表个数一致，sheet1名称为”hx“。 image2022-2-13_17-13-27.png 2、在分析展现界面打开保存的填报报表”批量回写“，单击工具栏中的 批量导入 按钮，将文件”hx.xlsx“中的数据导入 … 、设置“value”字段为度量，保存。 image2022-2-13_18-20-22.png 填报表样设计 1、登录电子表格设计器，设计如下表样： image2022-2-13_18-15-32.png 2、在右侧”数据集面板“中找到回写表”t_hx“下的字段，分别拖拽到表样对应的单元格中数据挖掘-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 另外，训练节点支持查看训练过程中的LOSS曲线，用以对训练过程进行评估。 image2024-7-23_11-5-48.png 注：目前支持查看loss曲线的算法包括线性回归（优化算法为数据模型多表建模实现先对维表限制条件在进行表关联
。 image2024-11-21_16-38-12.png 步骤四：设置数据日期参数默认值。比如期望默认值为自动获取前一天的日期，可以在默认值处修改sql查询。 image2024-11-21_16-41-23.png image2024-11-21_16-47-38.png 步骤五：设置表关联关系保存数据模型，创建分析时生成的sql就是先对子查询限制数据，再多表关联了 image2024-11-21_16-55-33.png 维表限制电子表格⬝ 批量回写
文件，文件后缀名必须为”.xlsx“，且该表中的sheet个数与填报报表个数一致，sheet1名称为”hx“。 image2022-2-13_17-13-27.png 2、在分析展现界面打开保存的填报报表”批量回写“，单击工具栏中的 批量导入 按钮，将文件”hx.xlsx“中的数据导入 … ”字段为度量，保存。 image2022-2-13_18-20-22.png 填报表样设计 1、登录电子表格设计器，设计如下表样： image2022-2-13_18-15-32.png 2、在右侧”数据集面板“中找到回写表”t_hx“下的字段，分别拖拽到表样对应的单元格中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
