您目前查看的是 Looker 26.14 的說明文件。按一下這個連結，即可查看最新說明文件。

Google 會運用 AI 技術將內容翻譯成你偏好的語言，但可能會出錯。

derived_analytic_model

用量

# 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
      }
    }
  }
}

階層

查看檔案

view

derived_analytic_model

預設值

無

特別規則

分析模型僅支援 BigQuery 和 Snowflake 連線。

定義

如果是 BigQuery 和 Snowflake 連線，derived_analytic_model 參數會定義由 Looker 管理的資料庫內分析模型 (BigQuery Graph 或 Snowflake 中的語意檢視區塊)。

與衍生資料表不同，Looker 管理的分析模型物件不會在資料庫中保留任何資料，也不會以遞增方式重新整理。而是代表語意模型，直接在資料庫中定義關係和指標。

Looker 支援兩種衍生分析模型：

以 SQL 為基礎的衍生分析模型：您可以使用 SQL 資料定義語言 (DDL) 陳述式定義分析模型。Looker 會執行您指定的 SQL 陳述式，在資料庫中生成分析模型。
以 LookML 為基礎的衍生分析模型：您可以參考現有的 LookML 探索來定義分析模型。Looker 會自動將探索拓撲、聯結、維度和測量指標，轉換為資料庫原生分析模型 DDL 陳述式，並在資料庫中建立及管理模型。

以 SQL 為基礎的衍生分析模型

在以 SQL 為基礎的衍生分析模型中，Looker 會執行您在 derived_analytic_model LookML 參數定義中指定的適當 SQL 資料定義語言 (DDL) 陳述式，在資料庫中產生分析模型。您在 derived_analytic_model 參數中定義的 SQL 語法必須受到資料庫支援。

如要定義以 SQL 為基礎的分析模型，請使用 derived_analytic_model 參數的下列其中一個子參數：

sql
sql_create
create_process

此外，如果您使用 sql 子參數定義分析檢視區塊，則可使用 derived_analytic_model 參數的 publish_as_db_analytic_model 子參數，建立可在 Looker 外部查詢的穩定分析模型。

在 derived_analytic_model 參數中定義分析模型後，即可定義對應至分析模型的 LookML 維度和測量指標。詳情請參閱「以 SQL 為基礎的衍生分析模型範例」一節。

`sql`

如要只提供分析模型定義的 SQL，並由 Looker 管理分析模型的建立作業，請使用 sql 參數。使用 sql 子參數時，請勿加入 CREATE 或 CREATE OR REPLACE 陳述式，因為 Looker 會自動產生 DDL 陳述式，在資料庫端建立分析模型。

如需使用 sql 參數在資料庫中建立分析模型的範例，請參閱「使用 sql 建立衍生分析模型」。

`sql_create`

使用 sql_create 參數定義完整的 SQL 陳述式，以建立分析模型。使用 sql_create 參數時，您需要加入 CREATE OR REPLACE 陳述式 (如果方言不支援 CREATE OR REPLACE，則為 CREATE 陳述式)。

使用 sql_create 子參數時，請注意下列事項：

如果是 BigQuery 連線，請使用 CREATE OR REPLACE 陳述式建立分析模型。
使用 ${SQL_TABLE_NAME} 替換所建立的分析模型計算名稱。確保 SQL 陳述式會正確納入您在 LookML view 參數中提供的分析模型名稱。

如需使用 sql_create 參數在資料庫中建立分析模型的範例，請參閱「使用 sql_create 建立衍生分析模型」。

`create_process`

如要定義多個連續的 SQL 陳述式來定義分析模型，請使用 create_process 參數。在 create_process 參數下，使用 sql_step 子參數指定個別 SQL 陳述式。資料庫會依您指定的順序，一次執行一項 sql_step 陳述式。Looker 會在您定義時，在 sql_step 子參數中發出 SQL 陳述式，且不含任何包裝函式，這表示您必須加入含有 CREATE OR REPLACE 陳述式的步驟 (如果方言不支援 CREATE OR REPLACE，則為 CREATE 陳述式)。

如需使用 create_process 參數在資料庫中建立分析模型的範例，請參閱「使用 create_process 建立衍生分析模型」。

`publish_as_db_analytic_model`

對於使用 sql 參數建立的衍生分析模型，您可以使用 publish_as_db_analytic_model: yes 定義衍生分析模型，提示 Looker 建立穩定的分析模型，以便在 Looker 外部查詢。

在衍生分析模型的 LookML 部署至正式環境後，Looker 重新產生器會在下一個週期發布 (建立) 穩定分析模型。publish_as_db_analytic_model: yes

指定 publish_as_db_analytic_model: yes 時，Looker 重新產生器會在資料庫中建立兩個分析模型：一個具有內部名稱，另一個具有穩定名稱。否則，再生器只會在資料庫中建立一個分析模型，並使用內部名稱。

如要瞭解如何取得穩定分析模型的名稱，以便在 Looker 以外的平台查詢穩定分析模型，請參閱「存取穩定分析模型」一節。

根據以 SQL 為基礎的分析檢視畫面，建立 LookML 維度和測量指標

定義分析模型後，您可以在同一個檢視表檔案中，定義以分析模型為基礎的 LookML 維度和測量指標。

請參閱方言的說明文件，瞭解定義分析模型時要使用的正確語法，以及如何參照分析模型中的元素。舉例來說，如要從 BigQuery 圖形實體建立 LookML 維度，您必須在設定範圍時使用底線分隔元素。舉例來說，如果是 BigQuery 圖表，這個 LookML 維度會以 Stores 節點資料表中的 location_id 屬性為準：

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

不過，如要建立以 Snowflake 語意檢視為基礎的 LookML 維度，您必須使用指標或維度的不合格名稱。

以 SQL 為基礎的衍生分析模型範例

以下各節提供範例，說明如何使用 derived_analytic_model 的不同子參數建立分析檢視區塊：

使用 sql 建立衍生分析模型
使用 create_process 建立衍生分析模型
使用 sql_create 建立衍生分析模型

使用 `sql` 建立衍生分析模型

以下是 LookML 檢視表檔案範例，使用 derived_analytic_model 的 sql 子參數，為 BigQuery 資料庫定義以 SQL 為基礎的分析模型。Looker 會執行 sql 參數中提供的 SQL DDL 指令，在資料庫中建立分析模型。

請注意範例中的下列事項：

sql 子參數只包含分析模型本身的定義。沒有 CREATE 陳述式，因為使用 sql 時，Looker 會自動處理分析模型的 CREATE 指令。
分析模型是使用 publish_as_db_analytic_model: yes 定義，因此 Looker 會建立穩定的分析模型，可在 Looker 外部查詢。

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` 建立衍生分析模型

以下是 LookML 檢視表檔案範例，可使用 derived_analytic_model 的 create_process 子參數，為 BigQuery 資料庫定義以 SQL 為基礎的分析模型。在本例中，您需要定義多個連續的 SQL 陳述式，才能定義分析模型。第一個步驟會捨棄現有的分析模型，第二個步驟則會建立分析模型。

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` 建立衍生分析模型

以下是 LookML 檢視表檔案範例，可使用 derived_analytic_model 的 sql_create 子參數，為 BigQuery 資料庫定義以 SQL 為基礎的分析模型。在本例中，sql_create 參數會定義要執行的完整 CREATE OR REPLACE 陳述式，以便在單一步驟中建立分析模型。

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 ;;
  }

  ...

}

存取穩定分析模型

如果您使用 sql 子參數建立衍生分析模型，並在 derived_analytic_model 參數下加入 publish_as_db_analytic_model: yes 陳述式，Looker 會在衍生分析模型的 LookML 部署至正式環境後，於下一個 Looker 重新產生器週期發布 (建立) 穩定分析模型。publish_as_db_analytic_model: yes

發布穩定分析模型後，您可以使用穩定名稱直接查詢。取得分析模型穩定名稱的方法有兩種：

PDT 詳細資料強制回應
探索的「SQL」分頁

PDT 詳細資料模式

如果您是管理員或擁有 see_pdts 權限的使用者，可以按照下列步驟，在 Looker 的「管理」部分使用「持續性衍生資料表」頁面，取得分析模型的穩定分析模型名稱：

如果尚未顯示「管理」選單，請點選 Looker「主選單」圖示，然後選取「管理」。(如果您位於 Looker 主選單的「探索」或「開發」部分，可能需要按一下返回箭頭，才能看到「管理」選單)。
在「管理」選單中，選取「永久衍生資料表」。
在「永久衍生資料表」頁面中，搜尋您的分析模型名稱。
按一下分析模型的三點選單，然後選取「PDT 詳細資料」。
在「PDT Details」模式中，找出「Stable Name」欄位。

如要直接查詢穩定分析模型，請在模型名稱前加入臨時結構定義名稱。舉例來說，如果臨時結構定義名稱為 tmp，您可以使用類似這樣的指令查詢穩定版分析模型：

SELECT * from tmp.PA_bq_analytic_model_sales_semantic_view

「探索」的「SQL」分頁

如果無法存取「Persistent Derived Tables」(永久衍生資料表) 管理頁面，可以從分析模型「探索」查詢的「資料」部分中「SQL」分頁的資訊，判斷穩定名稱。如要取得分析模型的穩定名稱，請按照下列步驟操作：

開啟分析模型檢視畫面的「探索」。

提示： 如果您在 Looker IDE 中，可以使用「查看檔案動作」下拉式選單，直接從分析模型的檢視表檔案，或從定義分析模型檢視項目的模型檔案開啟「探索」。
在「探索」中，從欄位挑選器選取任何維度或測量指標。
按一下「資料」部分的「SQL」分頁標籤。
在「SQL」分頁中，找出下列其中一個 SQL 陳述式：
- BigQuery Graph：
  - CREATE PROPERTY GRAPH
  - SELECT ... FROM GRAPH_EXPAND('PROPERTY_GRAPH_NAME')
- 適用於 Snowflake 語意檢視畫面：
  - CREATE SEMANTIC VIEW
  - SELECT ... FROM SEMANTIC_VIEW_NAME
穩定名稱是 Looker 在暫存結構定義中建立的檢視區塊，指向「SQL」分頁中顯示的實際模糊處理資料表。如要取得分析檢視區塊的穩定名稱，請填入 SQL 陳述式中的下列資訊：
```
SCRATCH_SCHEMA_NAME.CONNECTION_REGISTRATION_KEY_MODEL_NAME_VIEW_NAME
```
- SCRATCH_SCHEMA_NAME：臨時結構定義名稱是 CREATE 或 SELECT 陳述式後方字串的開頭，位於「.」之前
- CONNECTION_REGISTRATION_KEY：連線註冊金鑰為兩個字元，視資料庫方言而定，會遵循 CREATE 或 SELECT 陳述式中資料表名稱的美元符號或第一個底線。
- MODEL_NAME：LookML 模型的名稱。
- VIEW_NAME：定義分析模型的檢視區塊名稱。

舉例來說，以下是 BigQuery 連線的「探索」查詢「SQL」分頁中的文字。分析模型是在名為 sales_analytic_model 的檢視區塊中定義，而 LookML 模型的名稱為 thelook。在本例中，Looker 已建立分析模型，因此沒有 CREATE 陳述式。但 SELECT ... FROM GRAPH_EXPAND 陳述式包含資料表名稱資訊：

-- 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

以下是您需要用來衍生分析模型穩定名稱的值：

「SCRATCH_SCHEMA_NAME」這個價格looker-test-db.looker_scratch
「CONNECTION_REGISTRATION_KEY」這個價格J7
「MODEL_NAME」這個價格thelook
「VIEW_NAME」這個價格sales_analytic_model

因此，分析模型的穩定名稱如下：

looker-test-db.looker_scratch.J7_thelook_sales_analytic_model

取得分析模型的穩定名稱後，即可直接查詢分析模型。

以 LookML 為基礎的衍生分析模型

以 LookML 為基礎的衍生分析模型可讓您直接從現有的 LookML 探索定義資料庫內分析模型 (例如 BigQuery 圖表或 Snowflake 語意檢視區塊，不必編寫資料庫專屬的 SQL DDL 陳述式。

使用下列參數定義以 LookML 為基礎的衍生分析模型：

model_source
- fields (model_source 的子參數)
- join (model_source 的子參數；聯結本身有子參數)
publish_as_db_analytic_model (這個參數適用於以 LookML 為基礎和以 SQL 為基礎的衍生分析模型)

如要建立以 LookML 為基礎的衍生分析模型，請使用 model_source 參數指向定義資料拓撲的來源探索。接著，Looker 會自動將 LookML 檢視區塊、聯結、維度和測量指標，轉換為資料庫原生分析模型 DDL 陳述式：

節點 / 資料表：來源「探索」中的每個 LookML 檢視區塊，都會成為 BigQuery 圖形中的節點資料表，或是 Snowflake 語意檢視區塊中的資料表。
邊緣 / 關係：在來源的「探索」中，使用 foreign_key 參數定義的每個聯結，都會成為 BigQuery 圖形中的邊緣資料表，或是 Snowflake 語意檢視區塊中的關係。
屬性 / 維度和指標：來源檢視區塊的 LookML 維度和測量指標會成為 BigQuery Graph 中的節點屬性，或是 Snowflake 語意檢視區塊中的維度和指標。

查詢以 LookML 為基礎的衍生分析模型檢視區塊時，Looker 會產生並執行資料庫 DDL，在資料庫臨時結構定義中建立分析模型，然後對產生的分析模型執行查詢。建立分析模型後，Looker 會保留該模型，因此後續查詢會直接參照現有模型，直到 LookML 定義修改為止。

`model_source`

model_source 參數會指定 LookML 探索的名稱，該探索會做為分析模型的拓撲和關係來源。

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

來源 Explore 中包含的檢視區塊必須有主鍵，且主鍵維度必須使用 primary_key: yes 定義。

model_source 接受下列子參數：

參數	說明
`fields`	選用。指定要從來源「探索」匯出至分析模型的欄位允許清單或拒絕清單。
`join` (或 `joins`)	選用。定義或修正來源「探索」中的聯結，特別是針對分析模型。

`fields`

根據預設，來源探索中所有可用的檢視區塊欄位都會匯出至分析模型 (如果來源探索本身是使用 fields 參數定義，則來源探索中的部分欄位可能無法使用)。您可以在 model_source 內使用 fields 子參數，指定要匯出的欄位子集，或使用標準 LookML 清單語法排除特定欄位：

  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 內的 join 參數可讓您在來源「探索」中已指定的聯結中新增精細調整。新增精細調整項目後，您就能專門針對分析模型進行調整，不必變更來源探索定義。

在 model_source 下方的 join 參數中，使用 + 修飾指標指定來源 Explore 中的聯結名稱。例如：join: +view_name。然後使用 join 子參數，視需要在分析模型中調整來源探索的彙整。如需範例，請參閱步驟 2。

model_source 中的 join 參數只會採用聯結精細化。您無法將來源探索中不存在的新聯結新增至分析模型。

model_source 中的 join 參數支援下列子參數：

子參數	說明
`foreign_key`	指定外鍵資料欄或維度，建立分析模型的關係。如需使用 `foreign_key` 參數的範例，請參閱步驟 1 中的範例。
`relationship`	定義聯結基數 (`many_to_one`、`one_to_one`、`one_to_many` 或 `many_to_many`)。

設定以 LookML 為基礎的衍生分析模型

如要設定以 LookML 為基礎的衍生分析模型，請按照下列步驟操作：

使用 foreign_key 定義基本檢視區塊和來源探索
建立衍生分析模型檢視區塊
在分析模型檢視畫面中定義 LookML 維度和測量指標
為分析模型檢視區塊建立「探索」
在 Looker 中查詢分析模型

步驟 1：使用 `foreign_key` 聯結定義基本檢視區塊和來源探索

首先，請確保基本檢視區塊 (例如 order_items、orders 和 users) 已定義主鍵。

接著，在 LookML 模型檔案中定義「探索」，指定檢視區塊之間的關係。在資料庫內分析模型中建立關係時，來源探索中的每個聯結都必須有 foreign_key 參數：

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
  }
}

步驟 2：建立衍生分析模型檢視區塊

建立新的檢視區塊檔案 (例如 sales_analytic_model.view.lkml)，並新增 derived_analytic_model 區塊，其中 model_source 參數會指向來源「探索」：

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
      # }
    }
  }
  ...

步驟 3：在分析模型檢視畫面中定義 LookML 維度和測量指標

在同一個分析模型檢視表檔案中，定義對應至所產生分析模型中屬性的維度、維度群組和測量指標，以便在 Looker 探索中查詢。

使用 ${TABLE}.<view_name>_<field_name> (或 ${TABLE}.<property_name>) 參照基礎模型中的欄位：

  # 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 ;;
  }
}

步驟 4：為分析模型檢視建立探索

在模型檔案 (例如 sales.model.lkml) 中，使用檢視區塊的名稱，為分析模型檢視區塊建立探索：

explore: sales_analytic_model {}

以分析模型檢視畫面為基礎的探索無法包含聯結，因為關係是在分析模型本身內部定義。

步驟 5：在 Looker 中查詢分析模型

在 Looker 中開啟新的探索 (例如「銷售分析模型」)，選取維度和指標，然後執行查詢。

如要檢查生成的 SQL，請按照下列步驟操作：

按一下「資料」面板中的「SQL」分頁標籤。
在「SQL」分頁中，您可以查看 Looker 產生的資料庫專屬 DDL 陳述式 (例如 BigQuery Graph 的 CREATE PROPERTY GRAPH ...、NODE TABLES 和 EDGE TABLES)，以及針對分析模型執行的查詢 (例如 FROM GRAPH_EXPAND(...) AS sales_analytic_model)。
查詢執行時，Looker 會將分析模型保留在資料庫臨時結構定義中。後續查詢會重複使用持續性模型，避免重新執行 DDL，直到 LookML 定義變更為止。

以 LookML 為基礎的衍生分析模型注意事項

定義以 LookML 為基礎的衍生分析模型時，請注意下列事項：

主鍵：來源探索中的每個檢視區塊都必須有主鍵維度，且該維度是使用 primary_key: yes 定義。
無環拓撲：來源 Explore 中的聯結所定義的關係必須形成嚴格的無環樹狀結構。系統不支援循環關係。
來源檢視畫面規定：來源「探索」中包含的檢視畫面必須是標準資料庫資料表，或是名稱穩定的持續衍生資料表 (PDT)。以其他分析模型為基礎的暫時性 (非永久性) 衍生資料表和檢視畫面，無法做為來源。
探索參數：系統會忽略來源探索中的動態執行階段篩選參數 (sql_always_where、always_filter、access_filter) 和 sql_always_join，

注意事項

使用資料庫內分析模型時，請注意下列事項和限制：

資料類型：分析模型僅支援下列維度和指標資料類型：
- 支援的維度和指標：
  - string
  - number
  - date
  - yesno
- 僅支援下列維度：
  - time
  - date_time
評估：
- 必須預先定義基礎指標：基礎指標必須在基礎資料庫分析模型中預先定義。Looker 無法對分析模型中的維度執行匯總 (例如 type: sum 或 type: count)，藉此定義新的基礎指標。
- 支援以其他指標為基礎的指標：您可以使用 LookML 指標的 sql 參數，執行使用分析模型中預先定義基礎指標的非匯總運算。建立以其他指標為依據的指標時，無法將新指標定義為 sum 或 count 等匯總指標類型。您必須將新指標定義為非匯總指標類型，例如 string、number、date 或 yesno。請參閱以下範例：
```
measure: average_order_amount {
  type: number
  sql: ROUND(${total_order_amount} / NULLIF(${count_orders}, 0), 2) ;;
}
```
彙整：如果探索的基本檢視表是以分析模型為基礎，就無法包含任何彙整。同樣地，以分析模型為基礎的檢視區塊，也無法彙整至具有標準 LookML 基本檢視區塊的「探索」。
隱含聯結：分析模型不支援依賴隱含聯結的功能。依賴隱含聯結的功能範例包括自訂日曆，以及使用 type: location、type: distance 或 type: zipcode 定義的欄位。
分析模型不支援下列功能：