利用PowerPivot和DAX进行数据建模与计算

立即解锁
发布时间: 2025-09-02 02:09:38 阅读量: 8 订阅数: 22 AIGC
PDF

Excel数据建模与可视化

### 利用Power Pivot和DAX进行数据建模与计算 #### 1. Power Pivot数据建模基础 在数据建模过程中,我们会用到Power Pivot这一强大工具。首先,我们可以创建层次结构,比如将其命名为“Location”,从层次结构的最高级别“Country”开始,依次将各列拖入“Location”层次结构,以此创建各级层次。创建好的层次结构可用于在数据透视表中深入查看度量值或数值。 当使用主键和外键在两个表之间创建关系时,数据透视表字段中会出现重复字段。例如,“Product ID”会同时出现在“Product”表和事实表中。为避免用户在使用切片器、过滤器或设置行、列字段时产生混淆,Power Pivot提供了隐藏字段和表的功能。具体操作如下: - **隐藏列**:在图表视图中,右键单击要隐藏的字段,选择“从客户端工具隐藏”。 - **隐藏表**:在图表视图中,点击表的标题,然后选择“从客户端工具隐藏”,这样该表将不会出现在数据透视表字段列表中。 #### 2. DAX计算基础 在完成数据建模后,我们需要计算一些关键指标来衡量销售绩效。在数据模型中,可使用DAX(Data Analysis Expressions)创建两种类型的计算:计算列和度量值。 ##### 2.1 计算列与度量值的区别 - **隐式度量值**:可通过直接将现有列或字段拖到数据透视表的“值”区域创建。 - **显式度量值**:使用公式创建,可在数据模型的任何部分访问和重用。显式度量值具有以下特点: - 可在数据模型中以多种方式重复使用。例如,计算某一特定产品的总销售额后,可在最终仪表板的多个可视化组件中使用该度量值。 - 可以为度量值应用永久的数字格式,在仪表板或报告中应用该度量值时将使用此格式。 - 可使用现有度量值创建其他复杂度量值。 - 在数据透视表中,显式度量值只能用于“值”区域。 ##### 2.2 创建第一个度量值 在创建第一个度量值之前,建议将所有度量值存储在一个表中,便于组织和管理。创建度量值表的步骤如下: 1. 选择工作表中的一个空单元格。 2. 复制该空单元格,点击“管理”按钮,打开Power Pivot窗口。 3. 在“主页”选项卡下点击“粘贴”,在弹出的“粘贴预览”对话框中为表指定新名称,如“My Measures”,然后点击“确定”。 接下来创建第一个度量值“Total Quantity”,步骤如下: 1. 点击Power Pivot选项卡中的“度量值” - “新建度量值”。 2. 在“度量值”对话框中,从下拉列表中选择“My Measures”表。 3. 在“度量值名称”中输入“Total Quantity”,可在“描述”字段中提供度量值的相关说明。 4. 在“公式”区域输入公式,如“=SUM('Main Transaction'[Quantity])”。注意,引用列时应使用完全限定名称“Table[Column]”,若表名包含空格,需用单引号括起来。 5. 点击“fx”按钮可探索DAX函数库,点击“检查公式”按钮验证公式的准确性,确认无误后点击“确定”。 要查找已创建的度量值,可点击Power Pivot选项卡中的“度量值” - “管理度量值”,在弹出的对话框中可进行添加、编辑或删除度量值的操作,也可在Power Pivot窗口中查看。 #### 3. 常见DAX函数 DAX函数有250多个,下面介绍一些常见的函数类别及其用途: |函数类别|用途|示例函数| | ---- | ---- | ---- | |聚合函数|计算列或表中所有行的标量值,如总和、平均值、最小值、最大值和计数|SUM、AVERAGE、MAX、MIN、COUNT| |筛选函数|协助获取特定数据类型,在相关表中搜索值,并根据关联值应用筛选器|CALCULATE、FILTER、ALL、SELECTEDVALUE| |财务函数|用于财务计算,如净现值(NPV)和回报率(RoR)|PMT、FV、IPMT| |信息函数|检查作为参数传递给其他函数的表或列,确定值是否符合预期类型|ISERROR| |逻辑函数|提供表达式中值的详细信息|IF、
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

SW_孙维

开发技术专家
知名科技公司工程师,开发技术领域拥有丰富的工作经验和专业知识。曾负责设计和开发多个复杂的软件系统,涉及到大规模数据处理、分布式系统和高性能计算等方面。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看

最新推荐

AI项目练习解答与要点剖析

# AI项目练习解答与要点剖析 ## 1. 练习解答的重要性 在探索AI领域的过程中,练习解答是非常重要的。它不仅能帮助我们更好地理解所学的知识,还能让我们在实际操作中发现问题、解决问题。通过完成练习,我们可以加深对AI项目最佳实践的理解,同时避免常见的陷阱。而且,练习中可能会引入一些新的概念,这有助于我们将所学的技能和概念应用到新的业务场景中。 ## 2. 第1章练习解答 ### 2.1 判断题 | 问题 | 答案 | 解析 | | --- | --- | --- | | 你总是需要大量数据才能通过AI赚大钱。 | 错误 | 很多时候,对小数据集进行简单分析就可能带来盈利,关键在于能否将

新一代传感器节点、云平台与数据分析:结构健康监测新方案

# 新一代传感器节点、云平台与数据分析:结构健康监测新方案 ## 1 网关与传感器节点的关键作用 ### 1.1 网关功能与挑战 网关在监测系统中扮演着承上启下的重要角色。它不仅要收集来自传感器节点的大数据流,对其进行排序和组织,还要将数据发送到云服务器进行进一步处理。同时,网关需要管理有线和无线连接。例如,在山区高速公路桥梁的监测系统中,要建立从网关到云的稳定可靠连接并非易事,这一问题主要与电信网络相关,需要精心设计网关的数量以确保数据的正确收集、打包和发送。 此外,随着新技术的发展,“雾计算”方法应运而生。鉴于云资源成本较高,尤其是在大量高数据率传感器的情况下,在网关级别至少临时存储数

实时机器学习算法:从朴素贝叶斯到在线K-均值聚类

# 实时机器学习算法:从朴素贝叶斯到在线 K - 均值聚类 ## 1. 数据格式与任务流程 ### 1.1 ARFF 文件格式 ARFF(Attribute - Relation File Format)是 CSV 文件格式的扩展,其使用表头提供列中数据类型的元数据,是 Weka 机器学习软件套件的常用格式。一些特征组织方式的灵感也来源于此,更多信息可在 Weka 维基上查找。 ### 1.2 任务流程 一个任务通常由一系列有序的模块组合而成,具体如下: - 流读取器(StreamReader):读取并解析示例,创建数据流。 - 学习器(Learner):从输入流中提供训练方法。 - 模型

基于深度学习的棉花植物病害检测与面部表情识别

### 基于深度学习的棉花植物病害检测与面部表情识别 #### 一、棉花植物病害检测 ##### (一)相关模型介绍 1. **InceptionV3** InceptionV3是Inception卷积神经网络架构的第三个版本,其起源于GoogleNet模块。它在目标检测和图像分析方面表现出色,在ImageNet识别挑战赛中被引入。InceptionV3作为CNN分类器,速度快且准确。该模型架构更注重宽度而非深度,共有310层。因为单纯增加卷积神经网络的深度并不能提高准确性,所以不同版本的Inception模型引入了不同的滤波器串联组件和/或使用的层。 2. **EfficientNet**

人工智能神经网络:架构、应用与预训练模型

# 人工智能神经网络:架构、应用与预训练模型 ## 1. 生成对抗网络(GAN) ### 1.1 模型架构 GAN由两个基于卷积神经网络(CNN)的神经网络组成,分别是生成器(Generator)和判别器(Discriminator)。这两个网络通过对抗过程同时进行训练。生成器负责学习创建看起来真实的图像,而判别器作为一个评判者,被训练来区分真实图像和生成的假图像。如果生成器的性能超过判别器,我们就能够创建出以假乱真的图像。 #### 生成器 生成器架构包含多个卷积层。从一个特定维度的随机噪声向量开始,通过卷积层网络不断对图像进行上采样,直到得到我们期望输出尺寸(维度)的输入。每个卷积层后

昂贵问题的多代理多任务优化及随机特征选择的代理辅助大优化

# 昂贵问题的多代理多任务优化及随机特征选择的代理辅助大优化 ## 1. 基于全局和局部代理的多任务优化 在有限的计算预算内,为了辅助找到实际昂贵优化问题的最优解,需要找到全局和局部代理模型的最优解。多任务优化方法在不同任务的适应度景观具有相似特征时,能增强搜索性能。然而,它不能保证两个代理模型的适应度景观总是高度相似。因此,采用广义进化多任务优化算法 G - MFEA,当不同任务的最优解位于不同区域时,该算法表现更好。 ### 1.1 多任务优化步骤 以下是全局和局部代理模型多任务优化的伪代码: ```plaintext Input: Mg: the global surrogate m

深度强化学习与大规模网络训练全解析

### 深度强化学习与大规模网络训练全解析 #### 1. 模型构建与特征工程 在构建模型时,我们使用了一系列的层来搭建网络。以下是部分代码示例: ```python activation_fn=tf.nn.relu, normalizer_fn=tf.nn.l2_normalize, normalizer_params={"dim": 1}, out_channels=64) d3 = Dense( in_layers=[d2], activation_fn=tf.nn.relu, normalizer_fn=tf.nn.l2_normalize, norm

提升虚拟远程会议体验:高级场景感知技术探索

### 基于小波变换和卷积神经网络的运动想象脑机接口方法 脑机接口(BCI)旨在通过大脑发出的生物信号实现人类与计算机的直接通信。脑电图(EEG)是测量大脑活动最常用的非侵入性方法,基于EEG的BCI与运动想象(MI)相结合有着广泛的应用前景,但也面临着信号空间分辨率差、信噪比低等诸多挑战。 #### 1. 背景知识 - **脑机接口与脑电图**:BCI的目标是利用大脑的生物信号实现人机直接通信,EEG通过放置在头部表面的电极检测大脑活动的电变化。 - **运动想象与感觉运动节律**:MI是一种无需肌肉活动的运动想象认知过程,感觉运动节律(SMR)主要集中在Alpha(8 - 13 Hz)

文本生成与情感分析实战

### 文本生成与情感分析实战 #### 1. 自动文本生成 在自动文本生成任务中,我们将使用循环神经网络(RNN)来创建新的文本。 ##### 1.1 模型准备 - **预测形状与损失显示**:预测形状符合预期,批量大小为 64,序列长度为 100,词汇量为 74。同时,显示预训练模型的平均损失。 - **模型编译**:使用以下代码编译模型: ```python model.compile(loss=loss, optimizer='adam') ``` - **配置检查点**:为了保存模型在每个时间步学到的信息,我们使用回调方法保存检查点。检查点捕获模型使用的所有 TensorFlow

人工智能:组织、社会与伦理影响的管理

### 人工智能的组织、社会和伦理影响管理 #### 1. 敏捷方法与变革管理 许多公司在开发认知项目时采用“敏捷”方法,这通常有助于在开发过程中让参与者更积极地投入。虽然这些变革管理原则并非高深莫测,但它们常常被忽视。 #### 2. 国家和公司的经验借鉴 国家对人工智能在社会和商业中的作用有着重要影响,这种影响既有积极的一面,也有消极的一面。 ##### 2.1 瑞典的积极案例 - **瑞典工人对人工智能的态度**:《纽约时报》的一篇文章描述了瑞典工人对人工智能的淡定态度。例如,瑞典一家矿业公司的一名员工使用遥控器操作地下采矿设备,他认为技术进步最终会使他的工作自动化,但他并不担心,