Qlik Sense : IntervalMatch(离散匹配)

什么是IntervalMatch

IntervalMatch 前缀用于创建表格以便将离散数值与一个或多个数值间隔进行匹配,并且任选匹配一个或多个额外关键值。

语法:

IntervalMatch (matchfield)(loadstatement | selectstatement )

IntervalMatch (matchfield,keyfield1 [ , keyfield2, ... keyfield5 ] ) (loadstatement | selectstatement )

IntervalMatch 前缀必须置于加载时间间隔的 LOAD 或 SELECT 语句之前。在使用此语句和 IntervalMatch 前缀之前,包含离散数据点的字段(以下所示的 Time)必须已经加载到 Qlik Sense。此前缀不会从数据库表格中读取此字段。此前缀将加载的时间间隔表格转换为包含其他列(离散数值数据点)的表格。另外其扩展了记录数,以使新表格对离散数据点、时间间隔和关键字段值的每个可能组合都有一条记录。

时间间隔可以重叠,离散值可以链接所有匹配的时间间隔。

使用关键字段扩展 IntervalMatch 前缀时,可用于创建既能将离散数值和一个或多个数值时间间隔匹配的表格,同时又能匹配一个或多个额外关键字段值。

要避免未定义的时间间隔限值遭到忽略,可能必须让 NULL 可以映射到构成时间间隔下限或上限的其他字段。这可通过 NullAsValue 语句或显式测试来处理,显式测试可在任何离散数值数据点前后使用数值很好地替代 NULL。

参数

参数 说明
matchfield 一个字段,包含链接至时间间隔的离散数值。
keyfield 一个字段,包含转换中匹配的额外属性。
loadstatementorselectstatement 必会生成一个表格,其中第一个字段包含每个时间间隔的下半部限制,第二个字段包含每个时间间隔的上半部限制,如果使用关键字匹配,则第三个及此后的任何字段包含显示于 IntervalMatch 语句中的关键字段值。时间间隔总是封闭区间,即间隔的端点包括在时间间隔之中。非数值限值会导致时间间隔遭到忽略(未定义)。
[参数]

Show Me The Code

示例 1:

在以下两个表格中,第一个表格列出了众多离散事件,第二个表格定义了不同订单生产的开始时间和结束时间。借助 IntervalMatch 前缀,可以逻辑连接两个表格,从而找出哪些订单受到干扰的影响,哪些订单依据哪次轮班处理。

复制代码
EventLog:
LOAD * Inline [
Time, Event, Comment
00:00, 0, Start of shift 1
01:18, 1, Line stop
02:23, 2, Line restart 50%
04:15, 3, Line speed 100%
08:00, 4, Start of shift 2
11:43, 5, End of production
];

OrderLog:
LOAD * INLINE [
Start, End, Order
01:00, 03:35, A
02:30, 07:58, B
03:04, 10:27, C
07:23, 11:43, D
];

//Link the field Time to the time intervals defined by the fields Start and End.
Inner Join IntervalMatch ( Time ) 
LOAD Start, End
Resident OrderLog;

从DataModel来看,会把匹配上的关联起来,在OrderLog中展示7条记录,但是你任然可以通过建table的方式显示以下所有字段,并把第八条空值记录显示出来。

表格 OrderLog 现在包含额外一列:Time。记录的数量也可以扩展。

Time Start End Order
00:00 - - -
01:18 01:00 03:35 A
02:23 01:00 03:35 A
04:15 02:30 07:58 B
04:15 03:04 10:27 C
08:00 03:04 10:27 C
08:00 07:23 11:43 D
11:43 07:23 11:43 D
[Table with additional column]

示例 2: (使用 keyfield)

与上述示例相同,添加 ProductionLine 作为关键字段。

复制代码
EventLog:

LOAD * Inline [

Time, Event, Comment, ProductionLine

00:00, 0, Start of shift 1, P1

01:00, 0, Start of shift 1, P2

01:18, 1, Line stop, P1

02:23, 2, Line restart 50%, P1

04:15, 3, Line speed 100%, P1

08:00, 4, Start of shift 2, P1

09:00, 4, Start of shift 2, P2

11:43, 5, End of production, P1

11:43, 5, End of production, P2

];



OrderLog:

LOAD * INLINE [

Start, End, Order, ProductionLine

01:00, 03:35, A, P1

02:30, 07:58, B, P1

03:04, 10:27, C, P1

07:23, 11:43, D, P2

];



//Link the field Time to the time intervals defined by the fields Start and End and match the values

// to the key ProductionLine.

Inner Join

IntervalMatch ( Time, ProductionLine )

LOAD Start, End, ProductionLine

Resident OrderLog;

补充:从data model来看,其实已经把Time和ProductionLine建立起关系了,这就是IntervalMatch的作用,成立中间表把两个表Match起来。

现在可以按照以下方式创建表格框:

ProductionLine Time Event Comment Order Start End
P1 00:00 0 Start of shift 1 - - -
P2 01:00 0 Start of shift 1 - - -
P1 01:18 1 Line stop A 01:00 03:35
P1 02:23 2 Line restart 50% A 01:00 03:35
P1 04:15 3 Line speed 100% B 02:30 07:58
P1 04:15 3 Line speed 100% C 03:04 10:27
P1 08:00 4 Start of shift 2 C 03:04 10:27
P2 09:00 4 Start of shift 2 D 07:23 11:43
P1 11:43 5 End of production - - -
P2 11:43 5 End of production D 07:23 11:43
[Tablebox example]
相关推荐
永洪科技15 小时前
服装零售行业数据分析方案
大数据·数据挖掘·数据分析·数据可视化·零售·bi
老歌老听老掉牙16 小时前
C++之曲线拟合与离散点生成
c++·离散·曲线拟合
RestCloud3 天前
ETL中数据转换的三种处理方式
数据仓库·etl·数字化转型·数据转换·api管理
RestCloud5 天前
ETL中三种数据加载性能优化的方式
数据仓库·性能优化·etl·数字化转型·数据集成平台·数据加载方式
RestCloud5 天前
ETL 自动化:提升数据处理效率与准确性的核心驱动力
数据仓库·自动化·api·etl·数字化转型·数据集成平台
遇码5 天前
一款超级好用且开源免费的数据可视化工具——Superset
大数据·信息可视化·开源·可视化·bi·superset
RestCloud8 天前
ETL:数据清洗、规范化和聚合的重要性
数据仓库·etl·数据清洗·api接口·数据集成·集成工具
永洪科技9 天前
从“制造”到“智造”,看中集“灯塔”生产线与永洪“数据技术”的紧密融合
大数据·数据分析·制造·数据可视化·bi
weixin_307779139 天前
稳定运行的以Oracle NoSQL数据库为数据源和目标的ETL性能变差时提高性能方法和步骤
数据库·oracle·性能优化·etl
weixin_3077791310 天前
稳定运行的以Neo4j图数据库为数据源和目标的ETL性能变差时提高性能方法和步骤
数据库·性能优化·neo4j·etl