SUMMARIZECOLUMNS 的疑似 bug（2）SUMX 在总计行

已于 2024-06-09 22:54:04 修改
阅读量500 收藏 6
点赞数 7
分类专栏： # SUMMARIZECOLUMNS bug 文章标签： powerbi
于 2024-05-24 19:42:41 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Randvalue/article/details/139182981
版权

SUMX 在 SUMARIZECOLUMNS 总计行的底层计算过程

上一篇介绍了 SUMMARIZECOLUMNS 在特定情况下计算出的结果不符合 DAX 理论预测，这一篇我们开开始探究 DAX 在底层究竟是如何计算出这些结果的，主要的方法是用 DAX 查询复现该现象，通过观察物理查询计划了解底层计算步骤，试图从中定位到问题所在。

SUMMARIZECOLUMNS 的疑似 bug（1）引言
SUMMARIZECOLUMNS 的疑似 bug（2）SUMX 在总计行
SUMMARIZECOLUMNS 的疑似 bug（3）总计行是否关键点
SUMMARIZECOLUMNS 的疑似 bug（4）验证触发条件
SUMMARIZECOLUMNS 的疑似 bug（5）最终结论

现象描述

​![外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传](https://img-home.csdnimg.cn/images/20230724024159.png?origin_url=https%3A%2F%2Fassets.b3logfile.com%2Fsiyuan%2F1690605424726%2Fassets%2Fimage-20240523100107-hhhjyfd.png%20%22sumx%20%E5%9C%A8%E6%80%BB%E8%AE%A1%E8%A1%8C%22&pos_id=img-dXDqMRhc-1716550483921)
​

红框处，2019年和2020年总计行的计算结果为：

  • 2019年的总计显示为 30，其计算的是 2019年1月、2019年2月、2020年1月、2020年2月，这4个月的 Amount 之和：1+2+13+14 = 30
  • 2020年的总计显示为 70，其计算的是 2019年11月、2019年12月、2020年11月、2020年12月，这4个月的 Amount 之和：11+12+23+24 = 70。

可以用以下 DAX 查询的结果来类比（并不是说本案例实际是这样执行的）：

​image​

底层计算过程

为了弄清楚 PowerBI 在底层是怎么计算出这个结果的，需要我们深入到查询计划中去。首先提炼核心 DAX 查询代码。

PowerBI 在代码层面通过如下 DAX 查询代码计算报表中的矩阵：

DEFINE
	VAR __DS0FilterTable =  // 切片器提供
		TREATAS(
			{(2019, 1),
				(2019, 2),
				(2020, 11),
				(2020, 12)},
			'Dates'[Year],
			'Dates'[Month Num]
		)

	VAR __DS0Core = 
		SUMMARIZECOLUMNS(
			ROLLUPADDISSUBTOTAL(
                'Dates'[Year], "IsGrandTotalRowTotal", // 按年汇总，即 矩阵最下方的总计
                'Dates'[Month Num], "IsDM1Total"),  // 按月汇总，即 年 总计
			__DS0FilterTable,   // 切片器提供的筛选器
			"SumxBug", 'Measure'[SumxBug]
		)

	VAR __DS0PrimaryWindowed = 
		TOPN(
			502,
			__DS0Core,
			[IsGrandTotalRowTotal],
			0,
			'Dates'[Year],
			1,
			[IsDM1Total],
			0,
			'Dates'[Month Num],
			1
		)

EVALUATE
	__DS0PrimaryWindowed

ORDER BY
	[IsGrandTotalRowTotal] DESC, 'Dates'[Year], [IsDM1Total] DESC, 'Dates'[Month Num]

从该代码中将核心部分提出来，保持按月汇总，取消按年汇总（不是本次观察对象），得到如下的实验代码

DAX 查询

用以下 DAX 代码复现 30 和 70 的错误计算结果

EVALUATE
SUMMARIZECOLUMNS (
    'Dates'[Year],
    ROLLUPADDISSUBTOTAL ( 'Dates'[Month Num], "IsDM1Total" ),
    TREATAS (
        { ( 2019, 1 ), ( 2019, 2 ), ( 2020, 11 ), ( 2020, 12 ) },
        'Dates'[Year], 'Dates'[Month Num]
    ),
    "SumxBug", [SumxBug] 
)

运行结果中 [IsDM1Total] 为 True 、Year = 2019 和 Year = 2020 这两行，分别得到 30 和 70，符合报表计算结果。

​image​

存储引擎

Server Timings 界面记录了 4 次 Scan

​image​

存储引擎执行了 4 个 xmSQL 查询，从上往下分别是：

  • VQ1，F2V1
// xmSQL VQ1
SELECT
    'Dates'[Year],
    'Dates'[Month Num],
    SUM ( 'DFact'[Amount] )
FROM 'DFact'
    LEFT OUTER JOIN 'Dates'
        ON 'DFact'[Date]='Dates'[Date]
WHERE
    'Dates'[Month Num] IN ( 12, 1, 2, 11 ) VAND
     ( 'Dates'[Year], 'Dates'[Month Num] ) IN { ( 2020, 12 ) , ( 2019, 2 ) , ( 2020, 11 ) , ( 2019, 1 ) };

从 DFact 的扩展表中，以 Dates[Year]、Dates[Month Num] 分组计算 SUM(DFact[Amount])​，筛选条件为：

1、‘Dates’[Month Num] IN ( 12, 1, 2, 11 )

2、( ‘Dates’[Year], ‘Dates’[Month Num] ) IN { ( 2020, 12 ) , ( 2019, 2 ) , ( 2020, 11 ) , ( 2019, 1 ) }

​image​

  • VQ2，F2V0
// xmSQL VQ2
SELECT
    'Dates'[Year],
    'Dates'[Month Num]
FROM 'Dates'
WHERE
     ( 'Dates'[Year], 'Dates'[Month Num] ) IN { ( 2020, 12 ) , ( 2019, 2 ) , ( 2020, 11 ) , ( 2019, 1 ) };

从 Dates 表中，获取 Dates[Year]、Dates[Month Num] 的不重复值对，筛选条件为：

( ‘Dates’[Year], ‘Dates’[Month Num] ) IN { ( 2020, 12 ) , ( 2019, 2 ) , ( 2020, 11 ) , ( 2019, 1 ) }

​image​

  • VQ3，F1V0
// xmSQL VQ3
SELECT
    'Dates'[Year]
FROM 'Dates'
WHERE
     ( 'Dates'[Year], 'Dates'[Month Num] ) IN { ( 2020, 12 ) , ( 2019, 2 ) , ( 2020, 11 ) , ( 2019, 1 ) };

从 Dates 表中，获取 Dates[Year] 的不重复值，筛选条件与 VQ2 相同

( ‘Dates’[Year], ‘Dates’[Month Num] ) IN { ( 2020, 12 ) , ( 2019, 2 ) , ( 2020, 11 ) , ( 2019, 1 ) }

​image​

  • VQ4，F2V1
SELECT
    'Dates'[Year],
    'Dates'[Month Num],
    SUM ( 'DFact'[Amount] )
FROM 'DFact'
    LEFT OUTER JOIN 'Dates'
        ON 'DFact'[Date]='Dates'[Date]
WHERE
    'Dates'[Year] IN ( 2019, 2020 ) VAND
    'Dates'[Month Num] IN ( 12, 1, 2, 11 ) ;

与 VQ1 非常相似，从 DFact 的扩展表中，以 Dates[Year]、Dates[Month Num] 分组计算 SUM(DFact[Amount])​，筛选条件与 VQ1 有区别：

‘Dates’[Year] IN ( 2019, 2020 )

‘Dates’[Month Num] IN ( 12, 1, 2, 11 )

注意，从 VQ4 的 xmSQL 代码可以看出，WHERE 子句使用的条件，破坏了报表切片器构造的固化筛选器，该查询得到的结果中包含有 2019 年11、12月以及 2020 年1、2月的数据。

​image​

逻辑查询计划

​image​

Union: RelLogOp DependOnCols()() 0-4 RequiredCols(0, 1, 2, 3, 4)('Dates'[Year], 'Dates'[Month Num], ''[IsDM1Total], ''[SumxBug], ''[])
├── GroupSemiJoin: RelLogOp DependOnCols()() 0-3 RequiredCols(0, 1, 2, 3)('Dates'[Year], 'Dates'[Month Num], ''[IsDM1Total], ''[SumxBug])
│   ├── TreatAs: RelLogOp DependOnCols()() 0-2 RequiredCols(0, 1)('Dates'[Year], 'Dates'[Month Num])
│   │   └── TableCtor: RelLogOp DependOnCols()() 0-2 RequiredCols(0, 1, 2)(''[Value1], ''[Value2], ''[])
│   ├── Constant: ScaLogOp DependOnCols()() Boolean DominantValue=false
│   └── SumX: ScaLogOp MeasureRef=[SumxBug] DependOnCols(0, 1)('Dates'[Year], 'Dates'[Month Num]) Integer DominantValue=BLANK
│       ├── Scan_Vertipaq: RelLogOp DependOnCols(0, 1)('Dates'[Year], 'Dates'[Month Num]) 3-3 RequiredCols(0, 1, 3)('Dates'[Year], 'Dates'[Month Num], 'Dates'[Year])
│       └── Sum_Vertipaq: ScaLogOp DependOnCols(1, 3)('Dates'[Month Num], 'Dates'[Year]) Integer DominantValue=BLANK
│           ├── Scan_Vertipaq: RelLogOp DependOnCols(1, 3)('Dates'[Month Num], 'Dates'[Year]) 4-12 RequiredCols(1, 3, 6)('Dates'[Month Num], 'Dates'[Year], 'DFact'[Amount])
│           └── 'DFact'[Amount]: ScaLogOp DependOnCols(6)('DFact'[Amount]) Integer DominantValue=NONE
└── GroupSemiJoin: RelLogOp DependOnCols()() 0-3 RequiredCols(0, 1, 2, 3)('Dates'[Year], 'Dates'[Month Num], ''[IsDM1Total], ''[SumxBug])
    ├── TreatAs: RelLogOp DependOnCols()() 0-2 RequiredCols(0, 1)('Dates'[Year], 'Dates'[Month Num])
    │   └── TableCtor: RelLogOp DependOnCols()() 0-2 RequiredCols(0, 1, 2)(''[Value1], ''[Value2], ''[])
    ├── Constant: ScaLogOp DependOnCols()() Boolean DominantValue=true
    └── SumX: ScaLogOp MeasureRef=[SumxBug] DependOnCols(0)('Dates'[Year]) Integer DominantValue=BLANK
        ├── Scan_Vertipaq: RelLogOp DependOnCols(0)('Dates'[Year]) 3-3 RequiredCols(0, 3)('Dates'[Year], 'Dates'[Year])
        └── Sum_Vertipaq: ScaLogOp DependOnCols(0, 3)('Dates'[Year], 'Dates'[Year]) Integer DominantValue=BLANK
            ├── Scan_Vertipaq: RelLogOp DependOnCols(0, 3)('Dates'[Year], 'Dates'[Year]) 4-12 RequiredCols(0, 3, 6)('Dates'[Year], 'Dates'[Year], 'DFact'[Amount])
            └── 'DFact'[Amount]: ScaLogOp DependOnCols(6)('DFact'[Amount]) Integer DominantValue=NONE

逻辑结构图：

请添加图片描述

从逻辑查询计划来看，DAX 底层认为该计算可以由两部分通过 Union 合并而成：

  • Union 左边分支，从 Line 7 的代码可以看出，这部分计算 Date[Year]、Date[Month Num] 分组下的 SUM(DFact[Amount])​，这正是各个非总计行
  • Union 右边分支，从 Line 16 的代码可以看出，这部分计算 Date[Year] 分组下的 SUM(DFact[Amount])​，这正是两个总计行

物理查询计划

​image​

Union: IterPhyOp LogOp=Union IterCols(0, 1, 2, 3, 4)('Dates'[Year], 'Dates'[Month Num], ''[IsDM1Total], ''[SumxBug], ''[])
├── GroupSemijoin: IterPhyOp LogOp=GroupSemiJoin IterCols(0, 1, 2, 3)('Dates'[Year], 'Dates'[Month Num], ''[IsDM1Total], ''[SumxBug])
│   └── CrossApply: IterPhyOp LogOp=SumX IterCols(0, 1)('Dates'[Year], 'Dates'[Month Num])
│       ├── Spool_UniqueHashLookup: IterPhyOp LogOp=TreatAs LookupCols(0, 1)('Dates'[Year], 'Dates'[Month Num]) #Records=4 #KeyCols=2 #ValueCols=0
│       │   └── AggregationSpool<GroupBy>: SpoolPhyOp #Records=4
│       │       └── TreatAs: IterPhyOp LogOp=TreatAs IterCols(0, 1)('Dates'[Year], 'Dates'[Month Num])
│       │           └── TableCtor: IterPhyOp LogOp=TableCtor IterCols(0, 1, 2)(''[Value1], ''[Value2], ''[])
│       └── Spool_Iterator<SpoolIterator>: IterPhyOp LogOp=SumX IterCols(0, 1)('Dates'[Year], 'Dates'[Month Num]) #Records=4 #KeyCols=2 #ValueCols=1
│           └── AggregationSpool<Sum>: SpoolPhyOp #Records=4
│               └── CrossApply: IterPhyOp LogOp=Sum_Vertipaq IterCols(1, 3)('Dates'[Month Num], 'Dates'[Year])
│                   ├── Spool_MultiValuedHashLookup: IterPhyOp LogOp=Scan_Vertipaq LookupCols(1, 3)('Dates'[Month Num], 'Dates'[Year]) IterCols(0)('Dates'[Year]) #Records=4 #KeyCols=10 #ValueCols=0
│                   │   └── ProjectionSpool<ProjectFusion<>>: SpoolPhyOp #Records=4
│                   │       └── Cache: IterPhyOp #FieldCols=2 #ValueCols=0
│                   │           └── Spool_Iterator<SpoolIterator>: IterPhyOp LogOp=TreatAs IterCols(0, 1)('Dates'[Year], 'Dates'[Month Num]) #Records=4 #KeyCols=2 #ValueCols=0
│                   │               └── AggregationSpool<GroupBy>: SpoolPhyOp #Records=4
│                   │                   └── TreatAs: IterPhyOp LogOp=TreatAs IterCols(0, 1)('Dates'[Year], 'Dates'[Month Num])
│                   │                       └── TableCtor: IterPhyOp LogOp=TableCtor IterCols(0, 1, 2)(''[Value1], ''[Value2], ''[])
│                   └── Spool_Iterator<SpoolIterator>: IterPhyOp LogOp=Sum_Vertipaq IterCols(1, 3)('Dates'[Month Num], 'Dates'[Year]) #Records=4 #KeyCols=10 #ValueCols=1
│                       └── ProjectionSpool<ProjectFusion<Copy>>: SpoolPhyOp #Records=4
│                           └── Cache: IterPhyOp #FieldCols=2 #ValueCols=1
│                               └── Spool_Iterator<SpoolIterator>: IterPhyOp LogOp=TreatAs IterCols(0, 1)('Dates'[Year], 'Dates'[Month Num]) #Records=4 #KeyCols=2 #ValueCols=0
│                                   └── AggregationSpool<GroupBy>: SpoolPhyOp #Records=4
│                                       └── TreatAs: IterPhyOp LogOp=TreatAs IterCols(0, 1)('Dates'[Year], 'Dates'[Month Num])
│                                           └── TableCtor: IterPhyOp LogOp=TableCtor IterCols(0, 1, 2)(''[Value1], ''[Value2], ''[])
└── GroupSemijoin: IterPhyOp LogOp=GroupSemiJoin IterCols(0, 1, 2, 3)('Dates'[Year], 'Dates'[Month Num], ''[IsDM1Total], ''[SumxBug])
    └── Spool_Iterator<SpoolIterator>: IterPhyOp LogOp=SumX IterCols(0)('Dates'[Year]) #Records=2 #KeyCols=1 #ValueCols=1
        └── AggregationSpool<Sum>: SpoolPhyOp #Records=2
            └── Spool_Iterator<SpoolIterator>: IterPhyOp LogOp=Sum_Vertipaq IterCols(0, 3)('Dates'[Year], 'Dates'[Year]) #Records=4 #KeyCols=2 #ValueCols=1
                └── AggregationSpool<AggFusion<Sum>>: SpoolPhyOp #Records=4
                    └── CrossApply: IterPhyOp LogOp=Sum_Vertipaq IterCols(0, 3)('Dates'[Year], 'Dates'[Year])
                        ├── Spool_MultiValuedHashLookup: IterPhyOp LogOp=TreatAs LookupCols(1)('Dates'[Month Num]) IterCols(0)('Dates'[Year]) #Records=4 #KeyCols=2 #ValueCols=0
                        │   └── AggregationSpool<GroupBy>: SpoolPhyOp #Records=4
                        │       └── TreatAs: IterPhyOp LogOp=TreatAs IterCols(0, 1)('Dates'[Year], 'Dates'[Month Num])
                        │           └── TableCtor: IterPhyOp LogOp=TableCtor IterCols(0, 1, 2)(''[Value1], ''[Value2], ''[])
                        └── Cache: IterPhyOp #FieldCols=2 #ValueCols=1
                            ├── Spool_Iterator<SpoolIterator>: IterPhyOp LogOp=TreatAs IterCols(0, 1)('Dates'[Year], 'Dates'[Month Num]) #Records=4 #KeyCols=2 #ValueCols=0
                            │   └── AggregationSpool<GroupBy>: SpoolPhyOp #Records=4
                            │       └── TreatAs: IterPhyOp LogOp=TreatAs IterCols(0, 1)('Dates'[Year], 'Dates'[Month Num])
                            │           └── TableCtor: IterPhyOp LogOp=TableCtor IterCols(0, 1, 2)(''[Value1], ''[Value2], ''[])
                            └── Spool_Iterator<SpoolIterator>: IterPhyOp LogOp=Scan_Vertipaq IterCols(0, 3)('Dates'[Year], 'Dates'[Year]) #Records=2 #KeyCols=10 #ValueCols=0
                                └── ProjectionSpool<ProjectFusion<>>: SpoolPhyOp #Records=2
                                    └── Cache: IterPhyOp #FieldCols=1 #ValueCols=0
                                        └── Spool_Iterator<SpoolIterator>: IterPhyOp LogOp=TreatAs IterCols(0, 1)('Dates'[Year], 'Dates'[Month Num]) #Records=4 #KeyCols=2 #ValueCols=0
                                            └── AggregationSpool<GroupBy>: SpoolPhyOp #Records=4
                                                └── TreatAs: IterPhyOp LogOp=TreatAs IterCols(0, 1)('Dates'[Year], 'Dates'[Month Num])
                                                    └── TableCtor: IterPhyOp LogOp=TableCtor IterCols(0, 1, 2)(''[Value1], ''[Value2], ''[])

完整的流程结构图如下：

在这里插入图片描述

这个案例的物理查询计划同逻辑查询计划的流程结构相似，也是将整个计算区分成总计行和非总计行的计算最后再合并起来，简化表达为如下流程：

在这里插入图片描述

实际计算过程

仔细阅读物理查询计划后，对计算过程有了一定的了解，我把整体流程数据流大致演示一下（省略了几个分组的操作，对理解本案例并没有影响）：

​底层计算过程模拟截图​

（在 DAX 底层计算过程中，经常能看到一些步骤通过合并查询，切换来自不同源的同一列，这些不同来源的列通过列后面的数字来标识，比如 Year(0)，可能来自 TreatAS，而 Year(3) 则来自 VQ4，相同来源的列可以通过 Lookup 操作符进行匹配，不同来源的列则要通过 HashLookup 来匹配。 ）

30 和 70 这两个计算结果由右侧【计算总计行】分支产生，需要重点理解下该部分的计算过程。

1、该分支从 VQ4 查询开始，前面讲过了，该数据缓存中包含有切片器未选择的 2019年11、12月 和 2020年1、2月相关数据。

2、中间的步骤是在切换 Year(3) 到 Year(0) ,Year(3) 来自 VQ4，Year(0)来自 TreatAs，具体的做法是将 VQ4 与 TreatAs 表构造器{ ( 2019, 1 ), ( 2019, 2 ), ( 2020, 11 ), ( 2020, 12 ) } ​通过 [Month Num] 列进行匹配，比如 VQ4 中的 2020年1月 ，通过 [Month Num] = 1，从 TreatAs 中匹配到 Year(0)=2019，于是出现了红框这行数据

​image​

3、按 Year(0) 进行分组汇总，于是在 Year(0) = 2019 组内，实际包含的是 2019年1、2月 和 2020年1、2月的数据，最后的计算结果是 1+2+13+14 = 30

​image​

‍

问题分析

通过上述分析，可以了解到如下情况：

  1. SUMMARIZECOLUMNS 分别计算总计行和非总计行，最后合并起来得到最终结果
  2. VQ4 中的 WHERE 子句使用的 Dates[Year] And Dates[Month Num] ，破坏了切片器构成的固化筛选器，导致查询结果中不仅有 2019年1、2月，2022年11、12月，还包含了 2019年11、12月、2020年1月、2月
  3. 底层计算时按照固化筛选器中的 [Month Num] 去匹配 [Year] ，导致最后分组计算时，在2019年分组下包含有 2020年的数据。

由此可知，VQ4 WHERE 子句Dates[Year] IN ( 2019, 2020 ) VAND Dates[Month Num] IN ( 12, 1, 2, 11 ) ​ 破坏了 TREATAS ({ ( 2019, 1 ), ( 2019, 2 ), ( 2020, 11 ), ( 2020, 12 ) },'Dates'[Year], 'Dates'[Month Num]))​ 构造的固化筛选器，是导致总计行计算错误的关键原因。

DAX 底层并不会像 DAX 理论那样逐步去分析计算各个筛选上下文之间的关系，而是直接根据代码得出它需要使用的 xmSQL 数据再进行后续处理。DAX 理论是用来指导用户让用户可以预测出于代码的预测结果，应当与 DAX 底层计算结果保持一致。

显然在本案例中，DAX 理论与实际计算结果无法保持一致且无法调和，DAX 理论无法解释 DAX 底层为什么会使用 VQ4 这样的数据去计算本案例中的 DAX 查询代码。

为了定位问题发生的根源，做一些猜测，然后设计实验排查，希望运气够好能够早点定位到关键因素：

  1. SUMMARIZECOLUMNS 与 迭代器 的配合，本案例中，尤其是在计算总计行时
  2. SUMMARIZECOLUMNS 中 参数作用于参数表的方式
  3. …待补充

‍

实验设计

猜想1好验证，从报表中把 [Month Num] 去掉，直接在 [Year] 这个维度上进行计算，看看没有了总计行那部分的计算，结果会不会有所不同。

猜想2不好验证，需要观察更多的数据计算表现，搜集更多信息

那就在下一篇中来验证猜想1吧。

apinerand
关注
专栏目录
SUMX引发的思考
PowerBI木小桼
08-22 608
SUM,SUMX大概是绝大多数人学习PowerBI时先学的函数，那么我们真的了解它吗？ 先来看数据模型 我们可以很容易就写出销售额的度量 销售额 = SUM( 'Sales'[SalesAmount] ) 结果很好理解，比如2020年的总计333565=82140+84122+83992+83311，同样的我们可以求出每季度在售的产品数有多少个 产品数 = DISTINCTCOUNT( 'Sales'[ProductKey] ) 这也没什么问题，那么问题来了，现在领导说在算年度总计时应该是每个季度
SUMMARIZECOLUMNS 的疑似 bug（3）总计行是否关键点
一棵松的博客
05-25 923
上一篇介绍了在总计行中出现与理论预期不符的结果，通过物理查询计划了解其底层计算过程，猜想是否 `SUMMARIZECOLUMNS`​函数对总计行的计算存在什么特殊算法，本篇验证在非总计行中进行计算的情况，以帮助判断总计行是否是关键点。
深入理解 Power BI DAX 中 ALLSELECTED 的影子筛选器
qingmeizhujiu8的博客
06-23 2954
深入理解 Power BI DAX 中 ALLSELECTED 的影子筛选器
SUMMARIZECOLUMNS 的疑似 bug（1）引言
一棵松的博客
05-23 1092
与 Excel 通过 MDX 创建报表的方式不同，PowerBI 在代码层面主要是通过 SUMMARIZECOLUMNS​ 函数计算报表中各个视觉对象，它实现了 MDX 中的 auto-exist 功能并具有诸多特性，能够在许多场景中代替ADDCOLUMNS​+ SUMMARIZE​的应用。在特定情况下，SUMMARIZECOLUMNS ​的计算结果似乎并不符合 DAX 理论，本篇介绍这些疑似存在 BUG 的现象。
SUMMARIZECOLUMNS 的疑似 bug（5）最终结论
一棵松的博客
06-09 1196
上一篇找到了触发 `SUMMARIZECOLUMNS`​ 计算的结果不符合 DAX 理论的充分条件，这一篇尝试探讨修正理论对其进行解释，在这一篇中，我以为找到了一个合理的理论假设，但随后一个新的发现给了我当头一棒，这一篇应该是本系列的最后一篇，我必须直面现实了。
SUMMARIZECOLUMNS 的疑似 bug（4）验证触发条件
一棵松的博客
05-27 645
上一篇发现总计行并不是关键点，并根据观察到的现象猜测了3个关键点，本篇通过单变量控制实验逐一对其进行验证，判断哪些条件会触发计算结果与 DAX 理论不符的情况，并最终确认了这些条件。
无涯教程-JavaScript - SUMX2PY2函数
无涯教程
09-20 358
无涯教程网提供描述SUMX2PY2函数返回两个数组中相应值的平方和的和。语法 SUMX2PY2 (array_x, array...如果数组或引用参数包含文本,逻辑值或空单元格,则将忽略这些值。但是,将包括值为零的单元格。如果array_x和array_y具有不同数量的值,则SUMX2PY2返回错误值＃N/A。JavaScript 中的 SUMX2PY2函数 - 无涯教程网。SUMX2PY2函数返回两个数组中相应值的平方和的和。参数应为数字或名称,数组或包含数字的引用。
SUMX2MY2函数，你知道什么意思吗？
Lighthouse_stars的博客
11-19 7779
Excel的SUMX2MY2函数的主要作用是计算数组对应值的平方差之和。 上一篇文章介绍了SUMX2PY2函数使用方法，今天介绍Microsoft Excel中SUMX2MY2函数的公式语法和用法。 SUMX2MY2函数功能 SUMX2MY2 函数用于计算两个数组中对应数字的平方差之和。 SUMX2MY2函数格式 SUMX2MY2(array_x,array_y) 参数说明 array_x(必选)：表示第一个数值区域。 array_y(必选)：表示第二个数值区域。 SUMX2MY2函数使用注意事项 (1
SUMX2PY2函数，你知道什么意思吗？
Lighthouse_stars的博客
11-16 8284
Excel的SUMX2PY2函数的主要作用是计算数组对应值的平方和之和 本文介绍Microsoft Excel中SUMX2PY2函数的公式语法和用法。 SUMX2PY2函数功能 SUMX2PY2 函数用于计算两个数组中对应数字的平方和之和。 SUMX2PY2函数格式 SUMX2PY2(array_x,array_y) 参数说明 array_x(必选)：表示第一个数值区域。 array_y(必选)：表示第二个数值区域。 SUMX2PY2函数使用注意事项 (1)SUMX2PY2 函数的两个参数可以是直接输入
16DAX函数高阶篇（2）共6页.pdf.zip
11-20
2. **计算上下文**：理解计算上下文是掌握DAX的关键，包括行上下文和筛选上下文。行上下文涉及单行计算，而筛选上下文涉及整个表或数据集的计算。 3. **自定义度量**：DAX允许创建自定义度量，这些度量可以是简单的...
14.DAX函数进阶篇（2）共14页.pdf.zip
11-20
【标题】"14.DAX函数进阶篇（2）共14页.pdf.zip" 提供的是一份关于DAX函数高级使用的教程资料，共有14页内容。DAX（Data Analysis Expressions）是Power BI、Power Pivot以及Excel中的一个强大公式语言，用于数据...
DAX基础--SUM 和 SUMX
PowerBI木小桼
10-23 4833
18把一件事倒到极致，胜过把万件事做到平庸SUM和SUMX是两个最基础的聚合函数，很多时候后面一系列复杂度量的书写都是基于这两个函数写的基础度量。这两个函数很像，但还是有很大的区别的SUMSUM语法很简单，对列中的所有数值进行求和，比如Sales Amount = SUM( 'Fact_Sales'[Sales Amount] )如果我们要算销售利润呢，初学者可能会想到销售额-成本再汇总,但是会发现PowerBI提示了错误,而且在我们写后面 -'Fact_Sales'[Total Product Cost]
选择更轻松：山海鲸可视化与PowerBI的深度对比
Shanhaibi的博客
09-27 548
在数据分析与可视化的时代，选择合适的报表工具显得尤为重要。山海鲸可视化和PowerBI是市场上颇受欢迎的两款免费报表软件，各有特色。接下来，我们将从功能、优缺点等方面进行对比，帮助你找到最适合的工具。
深入剖析Oracle与MySQL在事务处理上的差异
10-06
在数据库管理系统中，事务处理是确保数据一致性和完整性的关键机制。Oracle和MySQL作为两大主流的数据库系统，在事务处理方面有着各自的特点和差异。本文将从事务的基本概念、隔离级别、锁机制以及事务控制语句等方面，详细探讨Oracle与MySQL在事务处理上的差异，并提供代码示例。 Oracle和MySQL在事务处理上有着各自的特点。Oracle提供了强大的并发控制和隔离级别管理，适合处理复杂的企业级事务。MySQL则以其简单性和灵活性，在Web应用和中小型项目中广泛使用。了解这些差异对于开发者选择合适的数据库系统以及优化事务处理至关重要。通过本文的分析和代码示例，读者应该能够更深入地理解Oracle与MySQL在事务处理上的差异，并在实际应用中做出更合适的选择。
电力系统稳态分析-考研必备
10-06
电力系统分析经典教材资料
人工智能在高中信息技术教学中的应用与实践.pdf
最新发布
10-06
毕业设计选题/开题答辩/项目源码/论文等资源 硕博论文、期刊资源、有需要可详细咨询 毕业设计选题/开题答辩/项目源码/论文等资源 硕博论文、期刊资源、有需要可详细咨询毕业设计选题/开题答辩/项目源码/论文等资源 硕博论文、期刊资源、有需要可详细咨询毕业设计选题/开题答辩/项目源码/论文等资源 硕博论文、期刊资源、有需要可详细咨询毕业设计选题/开题答辩/项目源码/论文等资源 硕博论文、期刊资源、有需要可详细咨询毕业设计选题/开题答辩/项目源码/论文等资源 硕博论文、期刊资源、有需要可详细咨询毕业设计选题/开题答辩/项目源码/论文等资源 硕博论文、期刊资源、有需要可详细咨询毕业设计选题/开题答辩/项目源码/论文等资源 硕博论文、期刊资源、有需要可详细咨询毕业设计选题/开题答辩/项目源码/论文等资源 硕博论文、期刊资源、有需要可详细咨询毕业设计选题/开题答辩/项目源码/论文等资源 硕博论文、期刊资源、有需要可详细咨询毕业设计选题/开题答辩/项目源码/论文等资源 硕博论文、期刊资源、有需要可详细咨询毕业设计选题/开题答辩/项目源码/论文等资源 硕博论文、期刊资源、有需要可详细咨询
基于Springboot和Vue的获奖的知名作家信息管理系统源码 获奖的知名作家信息管理系统代码
10-06
获奖的知名作家信息管理系统-获奖的知名作家信息管理系统-获奖的知名作家信息管理系统-获奖的知名作家信息管理系统-获奖的知名作家信息管理系统-获奖的知名作家信息管理系统-获奖的知名作家信息管理系统-获奖的知名作家信息管理系统-获奖的知名作家信息管理系统-获奖的知名作家信息管理系统-获奖的知名作家信息管理系统-获奖的知名作家信息管理系统 1、资源说明：获奖的知名作家信息管理系统源码，本资源内项目代码都经过测试运行成功，功能ok的情况下才上传的。 2、适用人群：计算机相关专业(如计算计、信息安全、大数据、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工等学习者，作为参考资料，进行参考学习使用。 3、资源用途：本资源具有较高的学习借鉴价值，可以作为“参考资料”，注意不是“定制需求”，代码只能作为学习参考，不能完全复制照搬。需要有一定的基础，能够看懂代码，能够自行调试代码，能够自行添加功能修改代码。 4. 最新计算机软件毕业设计选题大全(文章底部有博主联系方式): https://blog.csdn.net/2301_79206800/article/detail
医学图像分割数据集：超声乳腺良性图像分割数据集（包含训练集和测试集、标签）
10-06
医学图像分割数据集：超声乳腺良性图像分割数据集（包含训练集和测试集、标签） 【2类别的分割，背景、良性乳腺，具体的查看classes文件】 数据集介绍：分为训练集、测试集 训练集：images图片目录+masks模板目录，300张左右图片和对应的mask图片 测试集：images图片目录+masks模板目录，130张左右图片和对应的mask图片 除此之外，包含一个图像分割的可视化脚本，随机提取一张图片，将其原始图片、GT图像、GT在原图蒙板的图像展示，并保存在当前目录下 医学图像分割网络介绍：https://blog.csdn.net/qq_44886601/category_12102735.html
我想知道SUMX函数的用法
06-09
SUMX函数是Power BI中的一种聚合函数，用于对表格中每一行进行计算，并返回计算结果的总和。具体来说，SUMX函数的语法如下： ``` SUMX(, ) ``` 其中，`<table>`是要进行计算的表格，`<expression>`是要计算的...
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值