当前位置: 首页 > article >正文

第12篇:DAX 高级计算与性能优化

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。

相关文章:

第12篇:DAX 高级计算与性能优化

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[Quan…...

从Datawhale的Vibe镜像看数据科学协作环境的Docker化实践

1. 项目概述:从开源镜像名到数据科学协作生态最近在整理自己的开发环境,准备搭建一个用于数据分析和可视化的新项目。在寻找合适的工具和资源时,我习惯性地会去各大开源镜像站看看,比如清华的TUNA、阿里云的开源镜像站。就在这个过…...

FLUX.1-Krea-Extracted-LoRA部署实操:多实例并发生成时的显存隔离配置建议

FLUX.1-Krea-Extracted-LoRA部署实操:多实例并发生成时的显存隔离配置建议 1. 模型概述与核心价值 FLUX.1-Krea-Extracted-LoRA 是一款专为真实感图像生成设计的风格迁移模型,基于 FLUX.1-dev 基础模型开发。该模型通过提取的 LoRA 权重(Ra…...

基于CodeDefined Skill与 Agent Framework 的实践探索

上一节我们讲了 File-Based Skill,这一节介绍另外一种方式,直接用代码来写 Skill。简单说一下区别File-Based:用 SKILL.md 脚本 资源文件Code-Defined:全部写在代码里1. 创建项目 安装包先建一个控制台项目,然后把依…...

我在项目里是怎么设计工作流表的:不是只看引擎表就够了

Activiti/Flowable 工作流实战:工作流表怎么设计?结合项目讲清主表、业务表、表单表和节点表 最近我在重新梳理这个项目里的工作流模块时,一个感觉特别强烈:真正决定系统能不能长期维护的,往往不是 Activiti/Flowable …...

软件工业流水线的时代真的来临了

2026 年,Claude Opus 4.7 发布之后,很多事情变了。最明显的一件是——你可以放心地把一个完整需求丢给 Code Agent 去实现了。过去我们担心 AI 把功能写错、接口调坏、测试跑飞,Opus 4.7 之前这些担心都不是多余的;Opus 4.7 之后&…...

别只用来生成大头照了!解锁 GPT Image 2 Web Workflow 的最新设计实战玩法

AI 绘画圈的头把交椅又要换人了。OpenAI 刚刚发布了最新一代生图模型 GPT-Image-2。经过第一时间的上手实测,我们可以明显感受到,它在文本输出的准确性、以及对复杂现实世界知识的理解上,表现得比此前的 Nano Banana 2 更加出色。 一如既往&…...

一颗0.89元的芯片,干翻了Intel和飞利浦,这个“51单片机教父“让全球80%的8051都姓了STC

大家好,我是写代码的篮球球痴。之前聊了 Fabrice Bellard、求伯君和瑞芯微的励民,今天换个画风,聊一个搞嵌入式的同学100%接触过的人物——姚永平,STC单片机的创始人。你可能没听过这个名字,但你一定用过他的芯片。STC…...

Python入门必须知道的11个知识点

Python被誉为全世界高效的编程语言,同时也被称作是“胶水语言”,那它为何能如此受欢迎,下面我们就来说说Python入门学习的必备11个知识点,也就是它为何能够如此受欢迎的原因.Python 简介Python 是一个高层次的结合了解释性、编译性…...

python基本语法练习实例

1、打印九九乘法表1234567891011121314151617181920212223242526272829303132333435363738#只打印结果for i in range(1,10):for j in range(1,i1):print(i*j,end" ")print()#打印算数表达式for i in range(1,10):for j in range(1,i1):print("{0}*{1} {2:2}&q…...

Nordic nRF7001 WiFi 6伴生芯片解析与低功耗IoT应用

1. Nordic nRF7001 WiFi 6伴生芯片深度解析在物联网设备快速普及的当下,如何为低功耗蓝牙和蜂窝IoT设备添加可靠的WiFi连接能力,一直是开发者面临的挑战。Nordic Semiconductor最新推出的nRF7001伴生芯片,正是为解决这一痛点而生。作为nRF70系…...

NotaGen快速部署:一键启动WebUI,5分钟开始音乐创作之旅

NotaGen快速部署:一键启动WebUI,5分钟开始音乐创作之旅 1. 准备工作与环境检查 1.1 系统要求 在开始部署NotaGen之前,请确保您的系统满足以下最低要求: 操作系统:Linux(推荐Ubuntu 20.04)或…...

「智库智能」获数亿元融资,凯傲集团战略入股,苏州国资加持

导语大家好,这里是智能仓储物流技术研习社:专注分享智能制造和智能仓储物流等内容。专业书籍:《智能物流系统构成与技术实践》|《智能仓储项目英语手册》|《智能仓储项目必坑手册》|《智能仓储项目甲方必读》|《12大行业智能仓储实战指南》近…...

避坑指南:Webots仿真中激光雷达(Lidar)和距离传感器的配置、数据读取与可视化(附完整C代码)

Webots激光雷达与距离传感器实战:从参数调试到数据可视化的全流程解析 在机器人仿真开发中,传感器配置不当导致的"数据异常"问题往往消耗开发者大量时间。上周调试一个仓储机器人项目时,激光雷达点云突然消失的问题让我排查到凌晨三…...

嵌入式芯片硬件缺陷的软件绕过机制与实现

1. 嵌入式芯片硬件缺陷的软件绕过机制解析 在嵌入式系统开发领域,硬件芯片的勘误问题(Chip Errata)是工程师们经常需要面对的挑战。当发现芯片存在硬件设计缺陷时,等待芯片厂商推出新版本可能耗时过长,而软件层面的绕过…...

实战 | 解密CUTTag:从抗体选择到数据解读,关键环节逐一击破!

1. CUT&Tag技术原理与优势解析 CUT&Tag(Cleavage Under Targets and Tagmentation)作为研究DNA-蛋白质相互作用的新锐技术,近年来在表观遗传学领域大放异彩。我第一次接触这项技术时,就被它精巧的设计思路所折服——它像一…...

LSTM在多元时间序列预测中的实战应用

1. 理解LSTM在多元时间序列预测中的应用长短期记忆网络(LSTM)作为循环神经网络(RNN)的一种特殊变体,在处理时间序列数据时展现出独特优势。与传统的线性方法相比,LSTM能够自动学习时间序列中的长期依赖关系…...

基于eBPF的容器运行时安全监控:Foniod实战部署与策略指南

1. 项目概述:从容器镜像到安全监控的深度实践最近在梳理云原生环境下的安全监控方案时,我反复遇到了一个名为foniod/foniod的容器镜像。这个名字乍一看有点陌生,不像nginx、redis那样耳熟能详,但在特定的安全运维圈子里&#xff0…...

[特殊字符] JMeter 压测日志指标全解析

一、启动命令 jmeter -n -t aaa.jmx -l result.jtl -e -o reports参数含义: 参数 作用 -n 启用无界面非 GUI 模式运行压测(服务器 / 命令行压测专用,比 GUI 稳定) -t aaa.jmx 指定压测脚本:本次运行的脚本文件名为 aaa.jmx -l result.jtl 把本次所有请求的原始压测数据,…...

你还在手动Step Over?VSCode AI自动路径预测调试法(已通过Linux内核模块实测验证)

更多请点击: https://intelliparadigm.com 第一章:你还在手动Step Over?VSCode AI自动路径预测调试法(已通过Linux内核模块实测验证) 现代内核级调试面临分支爆炸与上下文缺失的双重挑战。传统单步执行(St…...

JMeter InfluxDB 后端监听器 全参数详解

一、顶部全局配置项1. 名称当前这个后端监听器组件的自定义名字,仅 JMeter 内部标识用,不影响数据上报,你填后端监听器只是备注区分。2. 注释自定义备注栏,写测试用途、项目信息,无运行效果。3. 后端监听器实现org.apa…...

保姆级教程:用Anaconda为QMT创建Python 3.6.8虚拟环境,避免版本冲突

量化交易必备:Anaconda虚拟环境精准配置Python 3.6.8全攻略 当你在深夜调试QMT策略时,突然发现因为Python版本冲突导致整个开发环境崩溃——这种经历足以让任何量化开发者抓狂。本文将带你彻底解决这个痛点,不仅教你如何创建完美的Python 3.6…...

不止是补全!用GPT Runner深度解析项目文件:我是如何让它帮我快速理解陌生代码库的

深度解析项目文件的实战指南:用GPT Runner高效理解陌生代码库 接手一个陌生代码库时,面对错综复杂的文件结构和晦涩难懂的代码逻辑,即使是经验丰富的开发者也会感到无从下手。传统方式下,我们需要逐个文件阅读、调试、注释&#x…...

吃透智能体开发 程序员轻松打破35岁职业危机

文章目录前言一、别再自欺欺人了!2026年,CRUD程序员的路已经走到头了1.1 35岁危机的本质,不是年龄,是你的技能已经没有了稀缺性1.2 大厂招聘的潜规则:智能体经验,已经从加分项变成了必填项1.3 程序员的角色…...

GLM-4.7智能体部署实战:从模型选型到性能调优全解析

1. 项目概述:从GLM-4.5到GLM-4.7,一个开源智能体基座的演进之路如果你在过去一年里深度参与过AI智能体或者大语言模型的应用开发,那么“GLM”这个系列对你来说一定不陌生。从GLM-4.5的横空出世,到GLM-4.6的稳步提升,再…...

Flutter状态管理高级技巧与最佳实践

Flutter状态管理高级技巧与最佳实践 引言 状态管理是Flutter应用开发中的核心挑战之一,特别是对于复杂应用。选择合适的状态管理方案并正确实现它,对于构建可维护、可扩展的Flutter应用至关重要。本文将深入探讨Flutter状态管理的高级技巧和最佳实践&…...

终极指南:如何使用Diablo Edit2暗黑破坏神2角色编辑器解放你的游戏时间

终极指南:如何使用Diablo Edit2暗黑破坏神2角色编辑器解放你的游戏时间 【免费下载链接】diablo_edit Diablo II Character editor. 项目地址: https://gitcode.com/gh_mirrors/di/diablo_edit 你是否厌倦了在暗黑破坏神2中花费数十小时刷装备、反复练级&…...

文泉驿微米黑:轻量级多语言字体解决方案的技术架构与应用实践

文泉驿微米黑:轻量级多语言字体解决方案的技术架构与应用实践 【免费下载链接】fonts-wqy-microhei Debian package for WenQuanYi Micro Hei (mirror of https://anonscm.debian.org/git/pkg-fonts/fonts-wqy-microhei.git) 项目地址: https://gitcode.com/gh_mi…...

机器学习模型可视化工具全解析与应用指南

1. 机器学习模型可视化工具全景解析在机器学习项目实践中,我们常常陷入一个专业困境:当模型准确率达到95%后,如何向非技术背景的决策者解释这个"黑箱"究竟学到了什么?这个问题直接关系到模型能否真正落地应用。传统的数…...

关于监所人员收押一体化整体解决方案的调研

收押流程包括人员的生物信息的采集、人员身份信息核验、人员身体违禁品检测、人员身体健康检查等,其中生物信息采集主要采集人员的基本信息、社会关系、人像信息、指掌纹信息、虹膜信息等。其中身份核验用于对人员的身份进行确认并生成唯一的档案号。其中人员身体违…...