PowerBi中SAMEPERIODLASTYEAR怎么使用?

SAMEPERIODLASTYEAR() 是 Power BI 中 时间智能函数 里的"老大哥",用来计算 去年同一时间段的值,常用于同比分析(Year-Over-Year / YoY)。

✅ SAMEPERIODLASTYEAR 的全称解释:

Same Period Last Year


🌍 中文翻译:

去年同期

(也可以翻译为"去年相同时间段")


🔍 拆解理解:

部分 含义 中文意思
SAME 相同 一样的
PERIOD 时间段 一段时间
LAST YEAR 去年 上一年

所以 SAMEPERIODLASTYEAR(Date[Date]) 就是:

👉 基于当前筛选的日期范围,找出去年相同的时间段


🎯 应用场景举例:

  • 今天是 2025/04/03,使用 SAMEPERIODLASTYEAR(Date[Date]),就会返回 2024/04/03。
  • 如果你筛选的是 2025 年 1 月到 3 月,它会返回 2024 年 1 月到 3 月的数据。

✅ 一句话解释:

SAMEPERIODLASTYEAR() 会返回 当前日期范围的"去年同一时间段" ,通常配合 CALCULATE() 使用。


🧠 函数语法:

DAX 复制代码
SAMEPERIODLASTYEAR(<dates>)
  • dates:通常是日期列(比如 Date[Date])

🎯 常见使用场景:去年销售额、利润等对比

📌 示例 1:计算去年销售额

假设你有一个 Sales[Amount] 销售额字段,还有一个 Date 日期表。

DAX 复制代码
销售额_去年 = 
CALCULATE(
    SUM(Sales[Amount]),
    SAMEPERIODLASTYEAR(Date[Date])
)

➤ 它的逻辑是:

在当前筛选的时间范围内,去找"去年同一时间段",然后计算那段时间的销售额。


📊 示例 2:同比增长率(YoY %)

DAX 复制代码
销售额_YoY百分比 = 
DIVIDE(
    [销售额] - [销售额_去年],
    [销售额_去年]
)

前提是你已经创建了 [销售额] 和 [销售额_去年] 两个度量值


✅ 使用条件说明

要点 是否必须
有独立的日期表(Date Table) ✅ 必须
日期表和事实表建立好关系 ✅ 必须
使用连续日期(日维度) ✅ 推荐

⚠️ 注意:如果你的日期表不是连续的,比如只有月或年,可能会出错或不返回正确值!


🔄 对比其他时间函数

函数名 说明
SAMEPERIODLASTYEAR() 当前时间范围的"去年"
PARALLELPERIOD(...,-1,YEAR) 返回同样长度的去年区间
DATEADD(...,-1,YEAR) 往前移一年,可以更灵活
PREVIOUSYEAR() 整个上一年的全部时间

🧠 什么时候该用 SAMEPERIODLASTYEAR?

场景 推荐
做折线图、柱状图,显示"今年 vs 去年销售趋势" ✅
对比本月 vs 去年同月的利润、订单等 ✅
自定义月份或季度对比(但时间跨度不能变) ✅
日期表不是连续日(如只有月份或年) ❌ 不推荐,容易出错

🧪 如果你没有日期表怎么办?

强烈建议用以下语句创建:

DAX 复制代码
Date = CALENDAR(DATE(2019,1,1), DATE(2025,12,31))

然后加上:

DAX 复制代码
Year = YEAR(Date[Date])
Month = FORMAT(Date[Date], "MMM")

并将你的销售表中的日期字段 Sales[OrderDate] 和 Date[Date] 建立关系。


✅ 总结口诀:

🔹 SAMEPERIODLASTYEAR = 当前时间段 ➜ 去年对应时间段

🔹 常配合 CALCULATE() 使用

🔹 做同比必备工具,离不开"日期表"!

相关推荐
遇码1 小时前
2026-11-01-daw-retry-banner-body
人工智能·ai·rust·数据分析·大模型·agent
databook2 小时前
Pandas 与 Polars:语法、性能和资源占用方面的对比
python·数据分析·pandas
wang_yb2 小时前
Pandas 与 Polars:语法、性能和资源占用方面的对比
数据分析·databook
shelly聊外贸7 小时前
WhatsApp 聊天记录如何导出为 CSV?使用 Python 进行数据分析
开发语言·python·数据分析
第九序言T9 小时前
Python 数据处理进阶(二十二)用 Pandas 做一次完整的用户行为分析
开发语言·python·数据分析·pandas
第九序言T9 小时前
Python 数据处理进阶(二十一)相关性与分组对比:数据里藏着什么关系
大数据·人工智能·python·数据分析·pandas
三兔测序学社1 天前
【零代码生信分析】RNA-seq中级分析8-差异基因集在L2S2网站进行【肿瘤药物】筛选分析
数据分析
追风少年ii1 天前
六大空间转录组平台全面对比:Visium、Visium HD、Stereo-seq、Xenium、Atera 与 CosMx
数据分析·空间·单细胞
roman_日积跬步-终至千里1 天前
【数据建模入门】从一家小店看懂数仓与机器学习:先理业务,再串技术
数据仓库·人工智能·机器学习·数据分析·数据建模
钱工的门窗技术笔记2 天前
室内极窄全景移门的支承路径与预留接口:轨道形式、型材壁厚口径与验收边界
物联网·架构·数据分析