Early Access: The content on this website is provided for informational purposes only in connection with pre-General Availability Qlik Products. All content is subject to change and is provided without warranty.
Det hÀr Àr en grupp av funktioner som berÀknar egenskaper för enskilda dimensionvÀrden i ett diagram, med hjÀlp av redan aggregerade tal.
Funktioner Àr relationsberoende i den mening att funktionens utdata inte bara beror pÄ vÀrdet för sjÀlva datapunkten, utan Àven pÄ vÀrdets relation till andra datapunkter. Till exempel sÄ kan rangordning inte berÀknas utan en jÀmförelse med andra dimenionsvÀrden.
Dessa funktioner kan endast anvÀndas i diagramuttryck. De kan inte anvÀndas i laddningsskriptet.
En dimension behövs i diagrammet eftersom detta definierar de andra datapunkter som behövs för jÀmförelsen. DÀrmed Àr en relationsfunktion inte meningsfull i ett diagram utan dimensioner (till exempel ett KPI-objekt).
AnvÀnd listrutan för varje funktion för att visa en kort beskrivning och syntax för varje funktion. Klicka pÄ funktionens namn i syntaxbeskrivningen för fler detaljer.
Rangordningsfunktioner
Anteckning om informationAlternativet Visa inte nollvÀrden inaktiveras automatiskt nÀr dessa funktioner anvÀnds. NULL-vÀrden ignoreras.
Rank() utvÀrderar raderna i diagrammet i uttrycket, och visar för varje rad den relativa placeringen av dimensionsvÀrdet utvÀrderat i uttrycket. Funktionen utvÀrderar uttrycket, jÀmför resultatet med resultaten pÄ de andra raderna som innehÄller det aktuella kolumnsegmentet och returnerar rangordningsnumret för den aktuella raden inom segmentet.
HRank() utvÀrderar uttrycket och jÀmför resultatet med resultaten i de andra kolumnerna som innehÄller det aktuella radsegmentet i en pivottabell. Funktionen returnerar sedan rangordningsnumret för den aktuella kolumnen inom segmentet.
KMeans2D() utvÀrderar raderna i diagrammet genom att tillÀmpa k-medelvÀrdesklustring, och för varje diagramrad visas kluster-ID för klustret som den datapunkten tilldelats till. Kolumnerna som anvÀnds av klusteralgoritmen avgörs av parametrarna coordinate_1 respektive coordinate_2. Dessa Àr bÄda aggregeringar. Antalet kluster som skapas avgörs av parametern num_clusters. Data normaliseras med normparametern (valfritt).
KMeansND() utvÀrderar raderna i diagrammet genom att tillÀmpa k-medelvÀrdesklustring och för varje diagramrad visas kluster-ID för klustret som den datapunkten tilldelats till. Kolumnerna som anvÀnds av klusteralgoritmen avgörs av parametrarna coordinate_1 och coordinate_2 osv. upp till n kolumner. Dessa Àr alla aggregeringar. Antalet kluster som skapas avgörs av parametern num_clusters.
KMeansCentroid2D() utvÀrderar raderna i diagrammet genom att tillÀmpa k-medelvÀrdesklustring, och för varje diagramrad visas önskad koordinat för klustret som den datapunkten tilldelats till. Kolumnerna som anvÀnds av klusteralgoritmen avgörs av parametrarna coordinate_1 respektive coordinate_2. Dessa Àr bÄda aggregeringar. Antalet kluster som skapas avgörs av parametern num_clusters. Data normaliseras med normparametern (valfritt).
KMeansCentroidND() utvÀrderar raderna i diagrammet genom att tillÀmpa k-medelvÀrdesklustring och för varje diagramrad visas önskad koordinat för klustret som den datapunkten tilldelats till. Kolumnerna som anvÀnds av klusteralgoritmen avgörs av parametrarna coordinate_1, coordinate_2 osv. upp till n kolumner. Dessa Àr alla aggregeringar. Antalet kluster som skapas avgörs av parametern num_clusters.
STL_Trend Àr en funktion för uppdelning av tidsserier. Tillsammans med STL_Seasonal och STL_Residual anvÀnds denna funktion för att dela upp en tidsserie i sÀsongs-, trend- och residualkomponenter. För STL-algoritmen anvÀnds uppdelning i tidsserier för att identifiera bÄde Äterkommande sÀsongsvariationer och en allmÀn trend för ett givet indatamÀtetal och andra parametrar. STL_Trend-funktionen identifierar en allmÀn trend oberoende av sÀsongsmönster och cykler frÄn tidsseriedata.
STL_Seasonal Àr en funktion för uppdelning av tidsserier. Tillsammans med STL_Trend och STL_Residual anvÀnds denna funktion för att dela upp en tidsserie i sÀsongs-, trend- och residualkomponenter. För STL-algoritmen anvÀnds uppdelning i tidsserier för att identifiera bÄde Äterkommande sÀsongsvariationer och en allmÀn trend för ett givet indatamÀtetal och andra parametrar. STL_Seasonal-funktionen kan identifiera ett sÀsongsmönster i en tidsserie och separera denna frÄn den allmÀnna trenden som visas av data.
STL_Residual Àr en funktion för uppdelning av tidsserier. Tillsammans med STL_Seasonal och STL_Trend anvÀnds denna funktion för att dela upp en tidsserie i sÀsongs-, trend- och residualkomponenter. För STL-algoritmen anvÀnds uppdelning i tidsserier för att identifiera bÄde Äterkommande sÀsongsvariationer och en allmÀn trend för ett givet indatamÀtetal och andra parametrar. NÀr denna ÄtgÀrd utförs kommer en del av indatamÀtetalen varken passa in för sÀsongs- eller trendkomponenten och kommer att definieras som residualkomponenten. STL_Residual-diagramfunktionen fÄngar upp denna del av berÀkningen.
Om du hittar nĂ„gra fel pĂ„ denna sida eller i innehĂ„llet â ett stavfel, ett steg som saknas eller ett tekniskt fel â berĂ€tta för oss sĂ„ att vi kan blir bĂ€ttre!
Modernisera utan att kompromissa med dina vÀrdefulla QlikView-appar med programmet för analysmodernisering. Klicka hÀr för mer information eller ta kontakt: ampquestions@qlik.com