模型度量视图数据

本页介绍如何为指标视图建模以及使用这些视图的最佳做法。

指标视图有助于为数据创建语义层，将原始表转换为标准化的业务友好指标。 他们定义要度量的内容、如何聚合它以及如何细分它，确保整个组织中的每个用户针对同一关键绩效指标（KPI）报告相同的数字。 目标是为业务指标创建单一事实来源。

通过将数据建模为指标视图，可以抽象化复杂的 SQL、表结构和数据质量问题，使分析人员能够完全专注于分析。

核心组件

对指标视图建模涉及在源数据上定义以下元素：

定义源

可以使用类似表的资产或 SQL 查询作为指标视图的源。 若要使用类似表的资产，必须至少拥有对该资产的SELECT特权。

将表用作源

若要将表用作源，请包括完全限定的表名称，如以下示例所示。

source: samples.tpch.orders

使用 SQL 查询作为源

若要使用 SQL 查询，请直接在 YAML 中编写查询文本。

source: SELECT * FROM samples.tpch.orders o
  LEFT JOIN samples.tpch.customer c
  ON o.o_custkey = c.c_custkey

将指标视图用作源

还可以使用现有指标视图作为新指标视图的源：

version: 1.1
source: views.examples.source_metric_view

dimensions:
  # Dimension referencing dimension from source_metric_view
  - name: Order date
    expr: order_date_dim

measures:
  # Measure referencing dimension from source_metric_view
  - name: Latest order month
    expr: MAX(order_date_dim_month)

  # Measure referencing measure from source_metric_view
  - name: Latest order year
    expr: DATE_TRUNC('year', MEASURE(max_order_date_measure))

将指标视图用作源时，相同的可组合性规则适用于引用维度和度量值。 请参阅 “可组合性”。

尺寸

用于查询时SELECT、WHERE和GROUP BY子句中的列即为维度。 每个表达式必须返回标量值。 维度定义为数组。 每个维度由两个组件组成：

• name：列的别名。

• expr：源数据上的 SQL 表达式，用于定义指标视图中的维度或以前定义的维度。

措施

度量值是定义为一组表达式的列，这些表达式在生成结果时不依赖于预先确定的聚合级别。 必须使用聚合函数来表示它们。 若要在查询中引用度量值，必须使用函数 MEASURE 。 度量值可以引用源数据或早期定义的维度中的基字段。 每个度量值由以下组件组成：

• name：度量值的别名。

• expr：可以包含 SQL 聚合函数的聚合 SQL 表达式。

以下示例演示了常见的度量值模式：

measures:
  # Simple count measure
  - name: Order Count
    expr: COUNT(1)

  # Sum aggregation measure
  - name: Total Revenue
    expr: SUM(o_totalprice)

  # Distinct count measure
  - name: Unique Customers
    expr: COUNT(DISTINCT o_custkey)

  # Calculated measure combining multiple aggregations
  - name: Average Order Value
    expr: SUM(o_totalprice) / COUNT(DISTINCT o_orderkey)

  # Filtered measure with WHERE condition
  - name: High Priority Order Revenue
    expr: SUM(o_totalprice) FILTER (WHERE o_orderpriority = '1-URGENT')

  # Measure using a dimension
  - name: Average Revenue per Month
    expr: SUM(o_totalprice) / COUNT(DISTINCT DATE_TRUNC('MONTH', o_orderdate))

请参阅 聚合函数 获取聚合函数列表。

请参阅 measure 聚合函数。

应用筛选器

指标视图的 YAML 定义中的筛选器适用于引用它的所有查询。 它必须编写为 SQL 布尔表达式，并且等效于在 SQL 查询中使用 WHERE 子句。

以下示例演示了常见的筛选器模式：

# Single condition filter
filter: o_orderdate > '2024-01-01'

# Multiple conditions with AND
filter: o_orderdate > '2024-01-01' AND o_orderstatus = 'F'

# Multiple conditions with OR
filter: o_orderpriority = '1-URGENT' OR o_orderpriority = '2-HIGH'

# Complex filter with IN clause
filter: o_orderstatus IN ('F', 'P') AND o_orderdate >= '2024-01-01'

# Filter with NOT
filter: o_orderstatus != 'O' AND o_totalprice > 1000.00

# Filter with LIKE pattern matching
filter: o_comment LIKE '%express%' AND o_orderdate > '2024-01-01'

还可以在查询或使用指标视图时添加筛选器。

高级建模功能

指标视图建模支持高级技术来创建复杂且高度可重用的指标。

联接

通过联接，可以使用相关表中的描述性属性来扩充指标视图。 可以使用联接对来自事实数据表到维度表（星型架构）的关系建模，并从维度表遍历到子维度表，从而允许在规范化维度表（雪花架构）之间进行多跃点联接。

请参阅 指标视图中的“使用联接”。

窗口测量

利用窗口度量值，您可以在指标视图中通过窗口化、累积或半累加聚合来定义度量值。 这些类型的度量值允许更复杂的计算，例如移动平均值、期间内更改和运行总计。 请参阅在指标视图中使用窗口度量值，了解演示如何在指标视图中使用窗口度量值的示例。

可组合性

指标视图是可组合的，允许通过引用以前定义的元素来构建复杂的逻辑。 可以在新的维度中引用先前定义的维度，在新的度量值中引用任何维度或先前定义的度量值，并且在度量视图中引用定义的联接的列。

查看 指标视图中的可组合性。

语义元数据

语义元数据有助于使用工具了解如何显示和处理度量值和维度。 这包括以下属性：

定义语义元数据时，它会随指标一起传输。 例如，当分析师在仪表板中使用 总收入 时，它会自动显示为货币。

请参阅 在指标视图中使用语义元数据。

YAML 语法和格式设置

指标视图定义遵循标准 YAML 表示法语法。 请参阅 YAML 语法参考 ，了解定义指标视图所需的语法和格式。 请参阅 YAML 规范 1.2.2 文档，了解有关 YAML 规范的详细信息。

窗口测量

窗口度量值在定义的 窗口内或与当前行相关的行区间上计算出一个值。 可以使用时间序列和比较分析的窗口度量值，从而定义指标，例如：

• 滚动 30 天总收入：过去 30 天内的收入总和
• 年到日（YTD）收入：从年初算起累计总和
• 上一期比较：上月收入

请参阅 度量视图中的“使用窗口度量值”。

对指标视图进行建模的最佳做法

对指标视图进行建模时，请使用以下准则：

• 模型原子度量值：首先定义最简单的非计算度量值（例如，SUM(revenue)COUNT(DISTINCT customer_id)）。 使用可组合性构建复杂的度量值（如 AOV）。
• 标准化维度值：使用转换（如 CASE 语句或表达式）将神秘数据库代码转换为明确的业务名称（例如，将订单状态“O”转换为“打开”，将“F”转换为“履行”）。
• 使用筛选器定义范围：有意使用持久性筛选器。 如果指标视图只应包含已完成订单，请在指标视图中定义该筛选器，以便用户无法意外包含不完整的数据。
• 使用业务友好的命名：指标名称应当让业务用户能够立即识别（例如，客户生命周期价值与cltv_agg_measure）。
• 单独的时间维度：始终包括精细的时间维度（如 订单日期）和截断的时间维度（如 Order Month 或 OrderWeek），以支持详细级别和趋势分析。