您正在查看 Looker 26.14 的文档。点击此链接可查看最新文档。

Google 会使用 AI 技术将内容翻译成您偏好的语言。AI 翻译可能包含错误。

derived_analytic_model

用法

# SQL-based derived analytic model
view: view_name {
  derived_analytic_model: {
    publish_as_db_analytic_model: yes | no
    sql: analytic_model_definition ;;
  }
}

# LookML-based derived analytic model
view: view_name {
  derived_analytic_model: {
    publish_as_db_analytic_model: yes | no
    model_source: explore_name {
      fields: [field_1, field_2, ...]
      join: +joined_view_name {
        foreign_key: field_name
      }
    }
  }
}

层次结构

查看文件

view

derived_analytic_model

默认值

无

特殊规则

分析模型仅支持 BigQuery 和 Snowflake 连接。

定义

对于 BigQuery 和 Snowflake 连接，derived_analytic_model 参数用于定义由 Looker 管理的数据库内分析模型（BigQuery 图或 Snowflake 中的语义视图）。

与派生表不同，Looker 管理的分析模型对象不会在数据库中保留任何数据，也不会以增量方式刷新。相反，它们表示直接在数据库中定义关系和度量的语义模型。

Looker 支持两种类型的派生分析模型：

基于 SQL 的派生分析模型：您可以使用 SQL 数据定义语言 (DDL) 语句定义分析模型。Looker 通过执行您指定的 SQL 语句在数据库中生成分析模型。
基于 LookML 的派生分析模型：您可以通过引用现有的 LookML 探索来定义分析模型。Looker 会自动将探索拓扑、联接、维度和度量转换为数据库原生分析模型 DDL 语句，并在数据库中创建和管理模型。

基于 SQL 的派生分析模型

在基于 SQL 的派生分析模型中，Looker 会通过执行您在 derived_analytic_model LookML 参数的定义中指定的相应 SQL 数据定义语言 (DDL) 语句，在数据库中生成分析模型。您在 derived_analytic_model 参数中定义的 SQL 语法必须受数据库支持。

如需定义基于 SQL 的分析模型，请使用 derived_analytic_model 参数的以下子参数之一：

sql
sql_create
create_process

此外，如果您使用 sql 子参数定义分析视图，则可以使用 derived_analytic_model 参数的 publish_as_db_analytic_model 子参数创建一个稳定的分析模型，该模型可在 Looker 之外进行查询。

在 derived_analytic_model 参数中定义分析模型后，您可以定义映射到分析模型的 LookML 维度和度量。如需了解详情，请参阅基于 SQL 的派生分析模型示例部分。

`sql`

如果您只想提供分析模型的定义 SQL，并让 Looker 管理分析模型的创建，请使用 sql 参数。使用 sql 子参数时，请勿添加 CREATE 或 CREATE OR REPLACE 语句，因为 Looker 会自动生成 DDL 语句，以便在数据库端创建分析模型。

如需查看使用 sql 参数在数据库中创建分析模型的示例，请参阅使用 sql 创建派生分析模型。

`sql_create`

使用 sql_create 参数定义用于创建分析模型的完整 SQL 语句。使用 sql_create 参数时，您需要添加 CREATE OR REPLACE 语句（如果您的方言不支持 CREATE OR REPLACE，则添加 CREATE 语句）。

使用 sql_create 子参数时，请注意以下事项：

对于 BigQuery 连接，请使用 CREATE OR REPLACE 语句创建分析模型。
使用 ${SQL_TABLE_NAME} 代替正在创建的分析模型的计算名称。这样可确保 SQL 语句正确包含您在 LookML view 参数中提供的分析模型名称。

如需查看使用 sql_create 参数在数据库中创建分析模型的示例，请参阅使用 sql_create 创建派生分析模型。

`create_process`

当您需要定义多个连续的 SQL 语句来定义分析模型时，请使用 create_process 参数。在 create_process 参数下，使用 sql_step 子参数指定各个 SQL 语句。数据库将按照您指定的顺序逐个执行 sql_step 语句。Looker 会按您定义的顺序发出 sql_step 子参数中的 SQL 语句，且不添加任何封装，这意味着您必须添加一个包含 CREATE OR REPLACE 语句（或 CREATE 语句，如果您的方言不支持 CREATE OR REPLACE）的步骤。

如需查看使用 create_process 参数在数据库中创建分析模型的示例，请参阅使用 create_process 创建派生分析模型。

`publish_as_db_analytic_model`

对于使用 sql 参数创建的派生分析模型，您可以使用 publish_as_db_analytic_model: yes 定义派生分析模型，以提示 Looker 创建可在 Looker 外部查询的稳定分析模型。

在派生分析模型的 LookML 部署到生产环境并带有 publish_as_db_analytic_model: yes 后，稳定分析模型将在 Looker 再生器的下一个周期发布（创建）。

如果您指定 publish_as_db_analytic_model: yes，Looker 再生器会在数据库中创建两个分析模型：一个具有内部名称，另一个具有稳定名称。否则，重新生成器仅在数据库中使用内部名称创建一个分析模型。

如需了解如何获取稳定分析模型的名称，以便在 Looker 之外使用该名称查询稳定分析模型，请参阅访问稳定分析模型部分。

根据基于 SQL 的分析视图创建 LookML 维度和测量

定义分析模型后，您可以在同一视图文件中定义基于该分析模型的 LookML 维度和度量。

如需了解用于定义分析模型和引用分析模型中元素的正确语法，请参阅相应方言的文档。例如，如需从 BigQuery 图实体创建 LookML 维度，您必须在确定范围时使用下划线分隔元素。例如，对于 BigQuery Graph，此 LookML 维度基于 Stores 节点表中的 location_id 属性：

  dimension: location_id {
    type: number
    sql: Stores_location_id ;;
  }

不过，如需创建基于 Snowflake 语义视图的 LookML 维度，您必须使用指标或维度的非限定名称。

基于 SQL 的派生分析模型示例

以下各部分提供了使用 derived_analytic_model 的不同子参数创建分析视图的示例：

使用 sql 创建派生分析模型
使用 create_process 创建派生分析模型
使用 sql_create 创建派生分析模型

使用 `sql` 创建派生分析模型

以下是一个 LookML 视图文件示例，该文件使用 derived_analytic_model 的 sql 子参数为 BigQuery 数据库定义了一个基于 SQL 的分析模型。Looker 将通过执行 sql 参数中提供的 SQL DDL 命令在数据库中创建分析模型。

请注意示例中的以下事项：

sql 子参数仅包含分析模型本身的定义。没有 CREATE 语句，因为使用 sql 时，Looker 会自动处理分析模型的 CREATE 命令。
分析模型使用 publish_as_db_analytic_model: yes 定义，因此 Looker 将创建一个稳定的分析模型，可在 Looker 之外进行查询。

view: MyWarehouseOrdersView {
  derived_analytic_model: {
    publish_as_db_analytic_model: yes

    # Defining the analytic model
    
    sql:
      NODE TABLES (
        Customers
        KEY(customer_id)
        PROPERTIES(
          country_code,
          concat(first_name, ' ', last_name) AS name,
          age,
          MEASURE(AVG(age)) AS AvgAge 
        ),
      Orders
        KEY(order_id)
        PROPERTIES (
          customer_id,
          employee_id,
          date,
          discount,
          MEASURE(AVG(discount)) AS AvgDiscount
        )

      EDGE TABLES (
        -- Relationship: Orders -> Customers
        looker_test.orders AS orders_to_users
          KEY(id)
          SOURCE KEY (order_id) REFERENCES orders (order_id)
          DESTINATION KEY (customer_id) REFERENCES Customers (customer_id)
          NO PROPERTIES
      ) ;;
  }

  # Mapping dimensions/measures to the dimensions/measures
  # provided by the analytic model

  dimension: customer_id {
    type: number
    sql: Customers_customer_id ;;
  }

  dimension: customer_age {
    type: number
    sql: Customers_age ;;
  }

  measure: orders_avg_discount {
    type: number
    sql: Orders_AvgDiscount ;; 
  }
}

使用 `create_process` 创建派生分析模型

以下是一个 LookML 视图文件示例，该文件使用 derived_analytic_model 的 create_process 子参数为 BigQuery 数据库定义了一个基于 SQL 的分析模型。在此示例中，您需要定义多个连续的 SQL 语句来定义分析模型。第一步会舍弃现有的分析模型，第二个验证步骤会创建分析模型。

view: university_statistics {
  derived_analytic_model: {
    create_process: {
      sql_step: 
        DROP PROPERTY GRAPH IF EXISTS ${SQL_TABLE_NAME} ;;
      sql_step: 
        CREATE PROPERTY GRAPH ${SQL_TABLE_NAME}
         NODE TABLES (
          university.College
            KEY(college_id)
            PROPERTIES(college_id, college_name),
          university.Department
            KEY(dept_id)
            PROPERTIES(dept_id, dept_name, college_id,
              budget OPTIONS(description="Department budget in USD"),
              MEASURE(SUM(budget)) AS total_budget),
          university.Course
            KEY(course_id)
            PROPERTIES(
              course_id,
              course_name,
              credits,
              dept_id,
              MEASURE(AVG(credits)) AS avg_credits,
              MEASURE(SUM(credits)) AS total_credits,
              MEASURE(COUNT(course_id)) AS course_count)
        )
        EDGE TABLES (
          university.Department AS CollegeDept
            SOURCE KEY (college_id) REFERENCES College (college_id)
            DESTINATION KEY (dept_id) REFERENCES Department (dept_id),
          university.Course AS DeptCourse
            SOURCE KEY (dept_id) REFERENCES Department (dept_id)
            DESTINATION KEY (course_id) REFERENCES Course (course_id)
        );;
    }
  }

  # Mapping dimensions/measures to the dimensions/measures
  # provided by the analytic model

  dimension: college_id {
    type: number
    sql: College_college_id ;;
  }

  dimension: course_name {
    type: string
    sql: Course_course_name ;;
  }
  
  ...
}

使用 `sql_create` 创建派生分析模型

以下是一个 LookML 视图文件示例，该文件使用 derived_analytic_model 的 sql_create 子参数为 BigQuery 数据库定义了一个基于 SQL 的分析模型。在此示例中，sql_create 参数定义了要执行的完整 CREATE OR REPLACE 语句，以便一步创建分析模型。

view: MyWarehouseOrdersView {
  derived_analytic_model: {
    sql_create:
      CREATE OR REPLACE PROPERTY GRAPH ${SQL_TABLE_NAME}
        NODE TABLES(
          accounting.Loan AS Loan
            KEY(loanId)
            LABEL Loan PROPERTIES(
              loanId,
              loanAmount,
              balance,
              createTime,
              interestRate,
              accountId,
              balance + 100 AS derived_balance,
              CASE WHEN balance > 1000 THEN "High" ELSE "Low" END AS risk_level,
              CONCAT("ID-", CAST(loanId AS STRING)) AS full_id,
              DATE(2024, 1, 1) AS fixed_date,
              MEASURE(AVG(interestRate)) AS avg_interest_rate
            ),
          accounting.AccountView AS Account
            KEY(accountId)
            LABEL Account PROPERTIES(
              accountId,
              createTime,
              isBlocked,
              accountType,
              amount,
              ownerId,
              MEASURE(MIN(createTime)) AS oldest_account_create_time,
              MEASURE(MAX(createTime)) AS newest_account_create_time,
              MEASURE(AVG(amount)) AS avg_account_amount,
              MEASURE(SUM(amount)) AS total_account_amount,
              MEASURE(COUNT(DISTINCT accountType)) AS account_type_count
            ),
          accounting.PersonMV AS Person
            KEY(personId)
            LABEL Person PROPERTIES(
              personId,
              personName,
              age,
              age_tier,
              MEASURE(AVG(age)) AS avg_age,
              MEASURE(COUNT(DISTINCT age_tier)) AS age_tier_count
            )
        )
        EDGE TABLES(
          accounting.Loan AS Account_Repay_Loan
            KEY(loanId)
            SOURCE KEY(loanId) REFERENCES Loan(loanId)
            DESTINATION KEY(accountId) REFERENCES Account(accountId)
            LABEL Repay NO PROPERTIES,
          accounting.Account AS Person_Own_Account
            KEY(accountId)
            SOURCE KEY(accountId) REFERENCES Account(accountId)
            DESTINATION KEY(ownerId) REFERENCES Person(personId)
            LABEL Own NO PROPERTIES
        );;
  }

  # Mapping dimensions/measures to the dimensions/measures
  # provided by the analytic model

  dimension: loan_id {
    type: number
    sql: Loan_loanId ;;
  }

  dimension: account_ID {
    type: number
    sql: Account_accountID ;;
  }

  ...

}

访问稳定分析模型

如果您使用 sql 子参数创建了派生分析模型，并在 derived_analytic_model 参数下添加了 publish_as_db_analytic_model: yes 语句，那么在派生分析模型的 LookML 部署到生产环境并使用 publish_as_db_analytic_model: yes 后，Looker 将在下一个 Looker 重新生成器周期中发布（创建）稳定的分析模型。

发布稳定的分析模型后，您可以使用其稳定名称直接查询该模型。您可以通过以下两种方式获取分析模型的稳定名称：

PDT 详情模态框
探索的“SQL”标签页

PDT 详情模态窗口

如果您是管理员或拥有 see_pdts 权限的用户，可以按照以下步骤操作，在 Looker 的管理部分中使用持久性派生表页面获取分析模型的稳定分析模型名称：

点击 Looker 主菜单图标，然后选择管理（如果管理菜单尚未显示）。（如果您位于 Looker 主菜单的探索或开发部分，可能需要点击返回箭头才能看到管理菜单。）
在管理菜单中，选择永久性派生表。
在永久性派生表页面上，搜索您的分析模型的名称。
点击分析模型的三点状菜单，然后选择 PDT 详情。
在 PDT 详情模态框中，找到稳定名称字段。

如需直接查询稳定的分析模型，请在模型名称前添加底层存储架构名称。例如，如果底层存储架构名称为 tmp，您可以使用如下命令查询稳定的分析模型：

SELECT * from tmp.PA_bq_analytic_model_sales_semantic_view

探索的“SQL”标签页

如果您无权访问持久性派生表管理页面，则可以从分析模型的探索查询的数据部分的 SQL 标签页中包含的信息确定稳定名称。请按照以下步骤获取分析模型的稳定名称：

打开分析模型视图的探索。

提示：如果您使用的是 Looker IDE，则可以使用查看文件操作下拉菜单直接从分析模型的视图文件或从为分析模型的视图定义了探索的模型文件打开探索。
在探索中，从字段选择器中选择任意维度或指标。
点击数据部分的 SQL 标签页。
在 SQL 标签页中，找到以下 SQL 语句之一：
- 对于 BigQuery 图：
  - CREATE PROPERTY GRAPH
  - SELECT ... FROM GRAPH_EXPAND('PROPERTY_GRAPH_NAME')
- 对于 Snowflake 语义视图：
  - CREATE SEMANTIC VIEW
  - SELECT ... FROM SEMANTIC_VIEW_NAME
稳定名称是 Looker 在临时架构中创建的视图，指向 SQL 标签页中显示的实际混淆表。如需获取分析视图的稳定名称，请填写 SQL 语句中的以下信息：
```
SCRATCH_SCHEMA_NAME.CONNECTION_REGISTRATION_KEY_MODEL_NAME_VIEW_NAME
```
- SCRATCH_SCHEMA_NAME：临时架构名称是 CREATE 或 SELECT 语句后面的字符串开头，位于“.”之前
- CONNECTION_REGISTRATION_KEY：连接注册密钥为两个字符；根据数据库方言，它将位于 CREATE 或 SELECT 语句中的美元符号或表名称中的第一个下划线之后。
- MODEL_NAME：LookML 模型的名称。
- VIEW_NAME：定义分析模型的视图的名称。

例如，以下是 BigQuery 连接的探索查询的 SQL 标签页中的文本。分析模型在名为 sales_analytic_model 的视图中定义，LookML 模型的名称为 thelook。在这种情况下，Looker 已创建分析模型，因此没有 CREATE 语句。但 SELECT ... FROM GRAPH_EXPAND 语句包含表名称信息：

-- use existing sales_analytic_model in `looker-test-db.looker_scratch.LG_J7LSZ1778710001008_sales_analytic_model`
SELECT
    sales_analytic_model.orders_id  AS sales_analytic_model_orders_id,
    AGG(sales_analytic_model.orders_count_orders ) AS sales_analytic_model_count_orders
FROM GRAPH_EXPAND("looker-test-db.looker_scratch.LG_J7LSZ1778710001008_sales_analytic_model") AS sales_analytic_model
GROUP BY
    1
ORDER BY
    2 DESC
LIMIT 500

以下是您需要推导分析模型稳定名称的值：

SCRATCH_SCHEMA_NAME 为 looker-test-db.looker_scratch
CONNECTION_REGISTRATION_KEY 为 J7
MODEL_NAME 为 thelook
VIEW_NAME 为 sales_analytic_model

因此，分析模型的稳定名称如下：

looker-test-db.looker_scratch.J7_thelook_sales_analytic_model

获得分析模型的稳定名称后，您可以直接查询该分析模型。

基于 LookML 的派生分析模型

基于 LookML 的派生分析模型可让您直接从现有 LookML 探索中定义数据库内分析模型（例如 BigQuery 图或 Snowflake 语义视图），而无需编写特定于数据库的 SQL DDL 语句。

使用以下参数定义基于 LookML 的派生分析模型：

model_source
- fields（model_source 的子参数）
- join（model_source 的子参数；联接本身具有子参数）
publish_as_db_analytic_model（此参数适用于基于 LookML 的派生分析模型和基于 SQL 的派生分析模型）

如需创建基于 LookML 的派生分析模型，您可以使用 model_source 参数指向定义数据拓扑结构的源探索。然后，Looker 会自动将 LookML 视图、联接、维度和度量转换为数据库原生分析模型 DDL 语句：

节点 / 表：来源探索中的每个 LookML 视图都会成为 BigQuery 图中的节点表或 Snowflake 语义视图中的表。
边 / 关系：在源探索中通过 foreign_key 参数定义的每个联接都会成为 BigQuery 图中的边表或 Snowflake 语义视图中的关系。
属性 / 维度和指标：来源视图中的 LookML 维度和度量会成为 BigQuery 图中的节点属性或 Snowflake 语义视图中的维度和指标。

当您查询基于 LookML 的派生分析模型视图的 Explore 时，Looker 会生成并执行数据库 DDL，以在数据库临时架构中创建分析模型，然后针对生成的分析模型执行查询。创建分析模型后，Looker 会将其持久化，以便后续查询直接引用现有模型，直到其 LookML 定义被修改为止。

`model_source`

model_source 参数用于指定 LookML 探索的名称，该探索用作分析模型的拓扑和关系来源。

view: sales_analytic_model {
  derived_analytic_model: {
    model_source: order_items {
      fields: [order_items.id, orders.id, orders.status, users.name]
    }
  }
}

来源探索中包含的视图必须具有主键，该主键通过在主键维度上使用 primary_key: yes 来定义。

model_source 接受以下子参数：

参数	说明
`fields`	可选。指定要从源 Explore 导出到分析模型的字段的许可名单或禁止名单。
`join`（或 `joins`）	可选。专门针对分析模型定义或优化来源探索中的联接。

`fields`

默认情况下，来源探索中的视图中的所有可用字段都会导出到分析模型中（如果来源探索本身是使用 fields 参数定义的，则来源探索中的某些字段可能不可用）。您可以使用 model_source 中的 fields 子参数来指定要导出的字段子集，也可以使用标准 LookML 列表语法排除特定字段：

  view: sales_analytic_model {
    derived_analytic_model: {
      model_source: order_items {
        fields: [
          order_items.id,
          order_items.price,
          orders.id,
          orders.status,
          users.name
        ]
      }
    }
  }

`join`

model_source 中的 join 参数可让您对来源探索中已指定的联接进行细化。添加优化后，您就可以仅针对分析模型进行调整，而无需更改源探索定义。

在 model_source 下的 join 参数中，指定源探索中的联接名称，并带有 + 细化指标。例如 join: +view_name。然后，使用 join 子参数根据分析模型中的需要来优化源探索的联接。有关示例，请参见第 2 步。

model_source 中的 join 参数仅接受联接细化。您无法向分析模型添加来源探索中尚不存在的新联接。

model_source 中的 join 参数支持以下子参数：

子参数	说明
`foreign_key`	指定用于为分析模型建立关系的外键列或维度。如需查看包含 `foreign_key` 参数的示例，请参阅第 1 步中的示例。
`relationship`	定义联接基数（`many_to_one`、`one_to_one`、`one_to_many` 或 `many_to_many`）。

设置基于 LookML 的派生分析模型

如需设置基于 LookML 的派生分析模型，请按以下步骤操作：

使用 foreign_key 联接定义基本视图和源探索
创建派生的分析模型视图
在分析模型视图中定义 LookML 维度和测量
为分析模型视图创建探索
在 Looker 中查询分析模型

第 1 步：使用 `foreign_key` 连接定义基本视图和来源探索

首先，确保您的基本视图（例如 order_items、orders 和 users）已定义主键。

接下来，在 LookML 模型文件中定义一个探索，用于指定视图之间的关系。在数据库内分析模型中构建关系时，必须在源探索中的每个联接上使用 foreign_key 参数：

explore: order_items {
  fields: [ALL_FIELDS*]

  join: orders {
    relationship: many_to_one
    foreign_key: order_id
  }

  join: users {
    relationship: many_to_one
    foreign_key: orders.user_id
  }
}

第 2 步：创建派生的分析模型视图

创建一个新的视图文件（例如 sales_analytic_model.view.lkml），并添加一个 derived_analytic_model 块，其中包含指向您的来源探索的 model_source 参数：

view: sales_analytic_model {
  derived_analytic_model: {
    model_source: order_items {
      # Optional: Use fields to restrict the properties exported to the analytic model
      # fields: [order_items.id, orders.id, orders.status, users.name]

      # Optional: Use join refinements to refine the relationships from the source Explore
      # join: +orders {
      #   foreign_key: order_id
      # }
      # join: +users {
      #   foreign_key: orders.user_id
      # }
    }
  }
  ...

第 3 步：在分析模型视图中定义 LookML 维度和测量

在同一分析模型视图文件中，定义与生成的分析模型中的属性对应的维度、维度组和度量，以便在 Looker 探索中查询这些维度、维度组和度量。

使用 ${TABLE}.<view_name>_<field_name>（或 ${TABLE}.<property_name>）引用底层模型中的字段：

  # Dimensions
  dimension: order_items_id {
    type: number
    sql: ${TABLE}.order_items_id ;;
  }

  dimension: orders_id {
    type: number
    sql: ${TABLE}.orders_id ;;
  }

  dimension: orders_status {
    type: string
    sql: ${TABLE}.orders_status ;;
  }

  dimension_group: orders_created {
    type: time
    timeframes: [raw, time, date, week, month, quarter, year]
    sql: ${TABLE}.orders_created_at ;;
  }

  dimension: users_name {
    type: string
    sql: ${TABLE}.users_name ;;
  }

  dimension_group: users_created {
    type: time
    timeframes: [raw, time, date, week, month, quarter, year]
    sql: ${TABLE}.users_created_at ;;
  }

  # Measures
  measure: count_users {
    type: number
    sql: ${TABLE}.users_count_users ;;
  }

  measure: count_orders {
    type: number
    sql: ${TABLE}.orders_count_orders ;;
  }

  measure: total_order_amount {
    type: number
    sql: ${TABLE}.orders_total_order_amount ;;
  }

  measure: total_order_item_amount {
    type: number
    sql: ${TABLE}.order_items_total_order_item_amount ;;
  }
}

第 4 步：为分析模型视图创建探索

在模型文件（例如 sales.model.lkml）中，使用视图的名称为分析模型视图创建探索：

explore: sales_analytic_model {}

基于分析模型视图的 Explore 不能包含联接，因为关系是在分析模型本身内部定义的。

第 5 步：在 Looker 中查询分析模型

在 Looker 中打开新的探索（例如，Sales Analytic Model），选择维度和度量，然后运行查询。

如需检查生成的 SQL，请按以下步骤操作：

点击数据面板中的 SQL 标签页。
在 SQL 标签页中，您可以查看 Looker 生成的特定于数据库的 DDL 语句（例如 CREATE PROPERTY GRAPH ...，以及 BigQuery Graph 的 NODE TABLES 和 EDGE TABLES）以及针对分析模型执行的查询（例如 FROM GRAPH_EXPAND(...) AS sales_analytic_model）。
当查询执行时，Looker 会将分析模型持久化到数据库暂存架构中。后续查询会重复使用持久化模型，避免重新执行 DDL，直到 LookML 定义发生变化。

基于 LookML 的派生分析模型的注意事项

定义基于 LookML 的派生分析模型时，请注意以下几点：

主键：源探索中的每个视图都必须有一个使用 primary_key: yes 定义的主键维度。
无环拓扑：来源探索中由联接定义的关系必须构成严格的无环树结构。不支持循环关系。
源视图要求：源探索中包含的视图必须是具有稳定名称的标准数据库表或持久性派生表 (PDT)。基于其他分析模型的临时（非持久性）派生表和视图不能用作来源。
探索参数：在生成分析模型期间，系统会忽略源探索中的动态运行时过滤参数（sql_always_where、always_filter、access_filter）和 sql_always_join。

注意事项

使用数据库内分析模型时，请注意以下事项和限制：

数据类型：分析模型仅支持以下维度和指标数据类型：
- 支持的维度和度量：
  - string
  - number
  - date
  - yesno
- 仅支持以下维度：
  - time
  - date_time
衡量：
- 必须预定义基本度量：必须在底层数据库分析模型中预定义基本度量。Looker 无法通过对分析模型中的维度执行聚合（例如 type: sum 或 type: count）来定义新的基本度量。
- 支持基于其他度量的度量：您可以使用 LookML 度量的 sql 参数来执行非聚合计算，该计算使用分析模型中预定义的基本度量。创建基于其他度量的度量时，您无法将新度量定义为汇总度量类型，例如 sum 或 count。您必须将新指标定义为非聚合指标类型，例如 string、number、date 或 yesno。请参阅以下示例：
```
measure: average_order_amount {
  type: number
  sql: ROUND(${total_order_amount} / NULLIF(${count_orders}, 0), 2) ;;
}
```
联接：如果探索的基本视图基于分析模型，则该探索不能包含任何联接。同样，基于分析模型的视图无法联接到具有标准 LookML 基视图的“探索”中。
隐式联接：分析模型不支持依赖于隐式联接的功能。依赖于隐式联接的功能的一些示例包括自定义日历以及使用 type: location、type: distance 或 type: zipcode 定义的字段。
分析模型不支持以下功能：