关于前端:精读15-大-LOD-表达式-上

通过上一篇 精读《什么是 LOD 表达式》的学习，你曾经了解了什么是 LOD 表达式。为了坚固了解，联合场景温习是最无效的伎俩，所以这次咱们联合 Top 15 LOD Expressions 这篇文章学习 LOD 表达式的 15 大利用场景，因篇幅限度，本文介绍 1～8 场景。

1. 客户下单频次

各下单次数的顾客数量是多少？

柱状图的 Y 轴显然是 count([customerID])，因为要统计 以后维度下的客户总数 。

这里插一句，对于柱状图的 Y 轴，在 sql 里就是对 X 轴 group by 后的聚合，因而 Y 轴就是对 X 轴各项的汇总。

柱状图的 X 轴要表白的是以何种粒度拆解，比方咱们是看各城市数据，还是看各省数据。在这个场景下也不例外，咱们要看 各下单次数下的数据 ，那么如何把下单次数转化为维度呢？

咱们须要用 FIX 表达式制作一个维度字段，示意各顾客下单次数。很显然数据库是没有这个维度的，而且这个维度须要依照客户 ID group by 后，依照订单 ID count 聚合能力失去，因而能够利用 FIX 表达式：{fixed [customerID] : count([orderId]) } 形容。

2. 阵列剖析

当咱们看年客户销售量时，即使是逐年增长的，咱们也会有一个疑难： 每年销量中，首单在各年份的顾客别离奉献了多少？

因为关系到老客忠诚度和新客拓展速度，新客与老客差距过大都不好，那咱们如何让 2021 年的柱状图依照 2019、2020、2021 年首单的顾客分层呢？这就是阵列剖析。

咱们要画一个柱状图，X、Y 轴别离是 [Year]、sum([Sales])。

为了让柱状图分层，咱们须要一个示意色彩图例的维度字段，比方咱们拖入已有的性别维度，每根柱子就会被划分为男、女两块。但问题是，咱们制作并不存在的“首单年份维度”？

答案是利用 FIX 表达式：{fixed [customerID] : min([orderDate]) }。

3. 日利润指标

剖析 每年各月份的盈利、亏损天数散布 。如下图：

列是年到月的下钻，比拟好实现，只有拖入字段 [year] 并下钻到月粒度，移除季度粒度即可。

行是“高收益”、“正收益”、“亏损”的透视图，值是在以后月份中天数。

那么如何计算高收益、亏损状态呢？因为最终粒度是天，所以咱们要按天计，首先就要失去每天的利润总和，这些两头过程能够利用 LOD 的字段来实现，即创立一个 日利润字段（profitPerDay）：{fixed [orderDate] : sum([profit]) }。

因为咱们对利润总量不敏感，只心愿拆分为三个阶段，所以利用 IF THEN 生成一个新字段 日利润指标（dailyProfitKPI）：IF [profitPerDay] > 2000 THEN "Highly Profitable" ELSEIF [profitPerDay] <= 0 THEN "unprofitable" ELSE "profitable" END。

所以创立的 [dailyProfitKPI] 指标是个维度，即如果以后行所在的天利润汇总如果大于 2000，值就是 “Highly Profitable”。所以在行上拖入 count(distinct [orderDate])，把 [dailyProfitKPI] 拖入行的色彩透视即可。

4. 占总体百分比

LOD 表达式的一大特色就是计算跨具体级别的占比，比方咱们要看 欧洲各国的销量在全世界占比 ：

显然这个图里所有国家之和不是 100%，因为欧洲加起来也才不到百分之二十，然而在以后具体级别下，是拿不到寰球总销售量的，所以咱们能够利用 FIX 表达式来实现：sum([sales]) / max({sum([sales]) })。

这里解释两点：

1. 之所以用 max 是因为 LOD 表达式只是一个字段，并没有聚合形式，运算必须在雷同具体级别下进行，因为总销量只有一条数据，所以咱们用 max 或者 min 甚至 sum 都行，后果都是一样的。
2. 如果不加维度限度，就能够省略“fix”申明，所以 {sum([sales]) } 实际上就是 FIX 表达式，它示意 {fixed : sum([sales]) }。

5. 新客增长趋势

看着年客户增长趋势图，你有没有想过，这个趋势图必定永远是向上的？也就是说，看着趋势图朝上走，不肯定阐明业务做得好。

如果公司每年都比去年倒退的好，每年的新增新客数应该要比去年多，所以 每年新客增长趋势图 才比拟有意义，如果你看到这个趋势图的趋势朝上，阐明每年的新客都比去年多，阐明公司解脱了惯性，每年都取得了新的增长。

所以咱们要加一个筛选条件。新增一个维度字段，当这一单客户是往年新客时为 true，否则为 false，这样咱们筛选时，只看这个字段为 true 的后果就行了。

那么这个字段怎么来呢？思路是，获取客户首单年份，如果首单年份与以后下单年份雷同，值为 true，否则为 false。

咱们利用 LOD 创立首单年份字段 [firstOrderDate]：{fixed [customerId] : min([orderDate]) }，而后创立筛选字段 [newOrExist]: IFF([firstOrderDate] = [orderDate], 'true', 'false')。

6. 销量比照剖析

入下图条形图所示，右侧是每项依据抉择的分类的比照数据：

对比值计算形式是，用 以后的销量减去以后选中分类的销量 。置信你能够猜到，但前分类的销量与以后视图具体级别无关，只与用户抉择的 Category 无关。

如果咱们曾经有一个度量字段 – 选中分类销量 selectedSales，应该再排除以后 category 维度的烦扰，所以可用 EXCLUDE 表达式形容 selectedCategorySales: {exclude [category] : sum([selectedSales]) }。

接下来是创立 selectedSales 字段。背景常识是 [parameters].[category] 能够取得以后选中的维度值，那咱们能够写个 IF 表达式，在维度等于选中维度时聚合销量，不就是选中销量吗？所以公式是：IF [category] = [parameters].[category] THEN sales ELSE 0 END。

最初比照差别，只有创立一个 字段，表达式为 sum(sales) - sum(selectedCategorySales) 即可。

7. 均匀最高交易额

如下图所示，以后的具体级别是国家，但咱们却要展现每个国家均匀最高交易额：

显然，要求均匀最高交易额，首先要计算每个销售代表的最高交易额，因为这个具体级别比国家低，咱们能够利用 INCLUDE 表达式计算销售代表最高交易额 largestSalesByRep: {include [salesRep] : max([sales]) }，并对这个度量字段求均匀即可。

从这个例子能够看出，如果咱们在一个较高的具体级别，比方国家，此时的 sum([sales]) 是依据国家具体级别汇总的，而疏忽了销售代表这个具体级别。但如果要展现每个国家的均匀最高交易额，就必须在销售代表这个具体级别求 max([sales])，因为是各国家的，所以咱们不必 {fixed [salesRep] }，而是 {include [salesRep] }，这样最终计算的具体级别是：[country]，[salesRep]，这样能力算出销售在每个国家的最高交易额（因为兴许某些销售同时在不同国家销售）。

8. 理论与指标

在第六个例子 – 销量比照剖析中，咱们能够看到销量绝对值的比照，这次，咱们须要计算理论销售额与指标的差距百分比：

如上图所示，左上角展现了理论与指标的差值；右上角展现了每个地区产品指标完成率；下半局部展现了每个产品理论销量柱状图，并用彩色横线标记出目标值。

左上角非常简单，[diffActualTraget]: [profit] - [targetProfit]，只有将以后利润与指标利润相减即可。

右上角须要分为几步拆解。咱们的最终目标是计算每个地区产品指标完成率，显然公式是 以后实现产品数 / 总产品数。总产品数比较简单，在已有地区维度拆解下，计算下产品总数就行了，即 count(distinct [product])；难点是以后实现产品数，这里咱们又要用到 INCLUDE，为什么呢？因为地区粒度比产品粒度高，咱们看地区汇总的时候，就不晓得各产品的实现状况了，所以必须 INCLUDE product 维度计算利润指标差，公式是 [diffProductActualTraget]：{include [product] : sum(diffActualTraget) }，而后当这个值大于 0 就认为实现了指标，咱们能够再创立一个字段，即实现指标数，如果达成指标就是 1，否则是 0，这样便于求“以后实现产品数”：aboveTargetProductCount: IFF([diffProductActualTraget] > 0, 1, 0)，那么以后实现产品数就是 sum([diffProductActualTraget])，所以产品指标完成率就是 sum([diffProductActualTraget]) / count(distinct [product])，将这个字段拖入指标，依照百分比格式化，就失去后果了。

总结

通过下面的例子，咱们能够总结出理论业务场景中几条应用心法：

1. 首先对计算公式进行拆解，判断拆解后的字段是否数据集里都有，如果都有的话就完结了，阐明是个简略需要。
2. 如果数据集里没有，而且发现数据具体级别与以后不符（比方要失去每个国家销量，但以后维度是城市），就要用 FIXED 表达式固定具体级别。
3. 如果不是明确的依照某个具体级别计算，就不要应用 FIXED，因为不太灵便。
4. 当计算时要跳过某个指定具体级别，但又要保留视图里的具体级别时，应用 EXCLUDE 表达式。
5. 如果计算波及到比视图低的具体级别，比方计算均匀或者最大最小时，应用 INCLUDE 表达式。
6. 应用 FIXED 表达式创立的字段也能够进行二次计算，正当拆解多个计算字段并组合，会让逻辑更加清晰，易于了解。

探讨地址是：精读《15 大 LOD 表达式 – 上》· Issue #369 · dt-fe/weekly

如果你想参加探讨，请 点击这里，每周都有新的主题，周末或周一公布。前端精读 – 帮你筛选靠谱的内容。

关注 前端精读微信公众号

<img width=200 src=”https://img.alicdn.com/tfs/TB165W0MCzqK1RjSZFLXXcn2XXa-258-258.jpg”>

版权申明：自在转载 - 非商用 - 非衍生 - 放弃署名（创意共享 3.0 许可证）