第12篇:DAX 高级计算与性能优化

news2026/4/30 8:23:12
第12篇DAX 高级计算与性能优化1. DAX 计算上下文深度理解1.1 行上下文遍历表的每一行可访问当前行的字段值// 计算列中使用行上下文 利润率 Sales[Profit] / Sales[Amount] // 迭代函数中使用行上下文 总利润 SUMX(Sales, Sales[Quantity] * Sales[UnitPrice] - Sales[Cost])1.2 筛选上下文由外部筛选器、切片器、关系决定// CALCULATE 修改筛选上下文 大额订单数 CALCULATE( COUNTROWS(Sales), Sales[Amount] 10000 )1.3 上下文转换行上下文 → 筛选上下文// 在迭代函数中使用度量值 总销售额 SUMX(Sales, [销售额]) // 自动上下文转换 // 等价于 总销售额 SUMX(Sales, CALCULATE(SUM(Sales[Amount])))2. CALCULATE 高级用法2.1 修改筛选器// ALL - 移除筛选 总占比 DIVIDE( [销售额], CALCULATE([销售额], ALL(Sales)) ) // ALLEXCEPT - 保留指定列 类别占比 DIVIDE( [销售额], CALCULATE([销售额], ALLEXCEPT(Sales, Product[Category])) ) // ALLSELECTED - 基于用户选择 视觉对象占比 DIVIDE( [销售额], CALCULATE([销售额], ALLSELECTED(Sales)) )2.2 添加筛选器// 添加新筛选 电子产品销售额 CALCULATE( [销售额], Product[Category] 电子产品 ) // 复合筛选 高价值订单 CALCULATE( [销售额], Sales[Amount] 1000, Product[Category] 电子产品 || Product[Category] 家居 )2.3 筛选器覆盖规则// 相同列的筛选器会覆盖 度量值 CALCULATE( [销售额], Product[Category] 电子产品, // 会覆盖外部筛选 ALL(Product[Category]) ) // 不同列的筛选器会叠加 度量值 CALCULATE( [销售额], Product[Category] 电子产品, Product[Color] 黑色 )3. 时间智能函数详解3.1 标准时间智能// 累计年初至今 YTD销售额 TOTALYTD([销售额], Date[Date]) // 等价写法 YTD销售额 CALCULATE( [销售额], DATESYTD(Date[Date]) ) // 上年同期 去年同期销售额 CALCULATE( [销售额], SAMEPERIODLASTYEAR(Date[Date]) ) // 上月 上月销售额 CALCULATE( [销售额], DATEADD(Date[Date], -1, MONTH) )3.2 灵活时间计算// 最近N天 最近30天销售额 CALCULATE( [销售额], DATESINPERIOD( Date[Date], MAX(Date[Date]), -30, DAY ) ) // N个季度移动平均 季度移动平均 CALCULATE( AVERAGEX( VALUES(Date[Quarter]), [销售额] ), DATESINPERIOD( Date[Date], MAX(Date[Date]), -4, QUARTER ) )3.3 工作日计算// 计算工作日数 工作日数 CALCULATE( COUNTROWS(Date), Date[IsWorkday] TRUE, DATESINPERIOD(Date[Date], MAX(Date[Date]), -1, MONTH) ) // 工作日平均销售额 工作日日均 DIVIDE( [月销售额], [工作日数] )4. 高级聚合函数4.1 SUMX / AVERAGEX 迭代// 加权平均单价 加权平均单价 DIVIDE( SUMX(Sales, Sales[Quantity] * Sales[UnitPrice]), SUM(Sales[Quantity]) ) // 迭代计算利润 总利润 SUMX( Sales, Sales[Quantity] * (Sales[UnitPrice] - Sales[UnitCost]) )4.2 MAXX / MINX 最值计算// 最大单笔订单 最大订单金额 MAXX(Sales, Sales[Amount]) // 各产品最大日销量 产品最大日销量 MAXX( VALUES(Date[Date]), CALCULATE(SUM(Sales[Quantity])) )4.3 RANKX 排名// 产品销售额排名 产品排名 RANKX( ALL(Product[ProductName]), [销售额], , DESC, DENSE ) // 分类内排名 分类内排名 RANKX( ALLEXCEPT(Product, Product[Category]), [销售额], , DESC, DENSE )5. 筛选器函数进阶5.1 FILTER vs 直接筛选// 方式1直接筛选推荐 销售额A CALCULATE( [销售额], Product[Category] 电子产品 ) // 方式2FILTER复杂逻辑 销售额B CALCULATE( [销售额], FILTER( Product, Product[Category] 电子产品 Product[Price] 100 ) )5.2 KEEPFILTERS保持现有筛选器而非覆盖// 不使用 KEEPFILTERS会覆盖 错误计算 CALCULATE( [销售额], Product[Color] IN {红色, 蓝色} ) // 使用 KEEPFILTERS叠加 正确计算 CALCULATE( [销售额], KEEPFILTERS(Product[Color] IN {红色, 蓝色}) )5.3 TREATAS虚拟关系无需物理关系// 假设有一个与事实表无关系的预算表 预算达成率 DIVIDE( [销售额], CALCULATE( SUM(Budget[Amount]), TREATAS(VALUES(Product[Category]), Budget[Category]), TREATAS(VALUES(Date[Month]), Budget[Month]) ) )6. 性能优化技巧6.1 使用 DAX Studio 分析// 查看查询计划和存储引擎查询 EVALUATE CALCULATETABLE( VALUES(Product[Category]), [销售额] 100000 )6.2 减少迭代次数// 慢 - 迭代整个表 总金额1 SUMX(Sales, Sales[Quantity] * Sales[UnitPrice]) // 快 - 预先计算列 // 在 Power Query 中添加 Amount Quantity * UnitPrice 总金额2 SUM(Sales[Amount])6.3 避免复杂计算列// 计算列性能差 相关产品数 CALCULATE( COUNTROWS(Product), Sales[ProductID] EARLIER(Sales[ProductID]) ) // 度量值性能好 相关产品数 CALCULATE( COUNTROWS(Product), FILTER( ALL(Sales), Sales[ProductID] SELECTEDVALUE(Sales[ProductID]) ) )6.4 变量优化// 不使用变量重复计算 增长率 DIVIDE( [销售额] - CALCULATE([销售额], SAMEPERIODLASTYEAR(Date[Date])), CALCULATE([销售额], SAMEPERIODLASTYEAR(Date[Date])) ) // 使用变量计算一次 增长率 VAR CurrentSales [销售额] VAR LastYearSales CALCULATE([销售额], SAMEPERIODLASTYEAR(Date[Date])) RETURN DIVIDE(CurrentSales - LastYearSales, LastYearSales)7. 常见性能问题7.1 高基数列问题问题解决方案高基数列减少使用或分区处理DateTime 列使用整数日期键GUID 列避免用于关系7.2 复杂筛选器// 慢 - 复杂筛选 慢查询 CALCULATE( [销售额], FILTER( Product, LEN(Product[Name]) 10 ) ) // 快 - 简化筛选 快查询 CALCULATE( [销售额], Product[NameLength] 10 // 预计算列 )7.3 过度使用度量值// 每个度量值都独立计算 总度量值1 [销售额] [成本] [利润] // 改用变量合并计算 总度量值2 VAR Sales [销售额] VAR Cost [成本] VAR Profit [利润] RETURN Sales Cost Profit8. 调试技巧8.1 逐步验证// 使用变量分段调试 调试度量值 VAR Step1 CALCULATE([销售额], ALL(Date)) VAR Step2 CALCULATE([销售额], ALLEXCEPT(Date, Date[Year])) VAR Step3 [销售额] RETURN Step3 // 逐步替换检查8.2 查看筛选上下文// 返回当前筛选条件 当前筛选 CONCATENATEX( FILTER( ALLSELECTED(Product[Category]), ISFILTERED(Product[Category]) ), Product[Category], , )9. 最佳实践总结✅ 优先使用变量 ✅ 简化筛选器逻辑 ✅ 减少迭代范围 ✅ 用度量值替代计算列 ✅ 使用 DAX Studio 分析 ✅ 时间智能需有连续日期表 ❌ 避免嵌套 CALCULATE ❌ 避免大表迭代 ❌ 避免高基数计算列 ❌ 避免过度度量值依赖10. 小结本篇介绍了 DAX 高级计算主题要点计算上下文行上下文 vs 筛选上下文CALCULATE修改、添加、覆盖筛选时间智能YTD、SAMEPERIODLASTYEAR迭代函数SUMX、RANKX、FILTER性能优化变量、减少迭代、避免计算列下一篇我们将探讨高级可视化与自定义图表。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2552061.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…