symmetric_aggregates

Uso

explore: explore_name {
  symmetric_aggregates: yes
}

Hierarquia Arquivo de modelo explore symmetric_aggregates

Valor padrão yes Aceita Um booleano (yes ou no)

Definição

O parâmetro symmetric_aggregates determina se conjuntos simétricos serão aplicados em uma determinada Análise. Quando symmetric_aggregates está ativado, as funções de agregação retornam resultados corretos, mesmo quando as junções resultam em um fanout. Os conjuntos simétricos são descritos com mais detalhes na página de práticas recomendadas Entender agregadores simétricos, e o problema de divergência que eles resolvem é explicado na postagem da comunidade O problema de divergências do SQL.

Por padrão, os conjuntos simétricos são ativados para todas as análises no Looker. Isso significa que se seu dialeto SQL for compatível com conjuntos simétricos, você só precisará incluir o parâmetro symmetric_aggregates se quiser desativar essa funcionalidade em uma Análise.

Exemplos

Ative os conjuntos simétricos para a Análise product:

explore: product {
  symmetric_aggregates: yes  # the default value, could be excluded
}

Desative os conjuntos simétricos para a Análise customer:

explore: customer {
  symmetric_aggregates: no
}

Informações importantes

Crie junções com cuidado quando os conjuntos simétricos estiverem desativados

Os conjuntos simétricos protegem determinados cálculos de resultados incorretos quando uma junção resulta em uma divergência. Portanto, se o dialeto não for compatível com conjuntos simétricos ou se você optar por desativá-los, tenha cuidado ao executar junções no Looker. Esse problema e as soluções alternativas são descritos em detalhes na postagem da comunidade O problema de fanouts SQL.

Nem todos os dialetos de banco de dados são compatíveis com tipos de medidas de mediana e percentil com conjuntos simétricos.

Quando os conjuntos simétricos estão ativados, o Looker converte automaticamente os tipos de medição percentile e median em percentile_distinct e median_distinct quando uma junção [de dados] envolve uma divergência. Nem todos os dialetos de banco de dados que oferecem suporte a conjuntos simétricos são compatíveis com os tipos de métricas percentile_distinct e median_distinct. Na página de documentação Tipos de métricas, você pode conferir se o dialeto do seu banco de dados é compatível com esses tipos de métricas.

Se você receber um erro semelhante a SQL dialect doesn't support Symmetric Aggregates with percentiles, field ignored., isso indica que o dialeto do seu banco de dados não oferece suporte aos tipos de métricas percentile_distinct e median_distinct. Para contornar isso, mude o tipo de métrica para type: number e especifique a função de agregação com sql: median(${dimension}). No entanto, isso desativa os conjuntos simétricos.

Conjuntos simétricos e erros de Value Overflow

Ao tentar baixar ou acessar painéis, você pode encontrar um erro como A LookML model issue occurred. Non-unique value/primary key (or sql_distinct_key), value overflow or collision when computing sum.

Ao agregar uma medida com valores grandes, os cálculos em segundo plano para agregação simétrica podem causar erros de estouro decimal. Os erros de estouro decimal ocorrem quando o Looker tenta realizar uma agregação simétrica (por exemplo, type: sum) com junções à esquerda para valores muito grandes que excedem 14 dígitos (valores maiores que 10.000.000.000.000).

Para resolver esse problema, use o parâmetro precision e defina como 5 ou menos. Exemplo:

measure: average_value {
  type: average
  precision: 5
  sql: ${value} ;;
}

Suporte a dialetos para conjuntos simétricos

A capacidade de usar conjuntos simétricos depende do dialeto do banco de dados usado pela sua conexão do Looker. Na versão mais recente do Looker, os seguintes dialetos são compatíveis com o reconhecimento de agregação:

Dialeto	Compatível?
Actian Avalanche
Amazon Athena
Amazon Aurora MySQL
Amazon Redshift
Amazon Redshift 2.1+
Amazon Redshift Serverless 2.1+
Apache Druid
Apache Druid 0.13.x - 0.17.x
Apache Druid 0.18+
Apache Hive 2.3+
Apache Hive 3.1.2+
Apache Spark 3+
ClickHouse
Cloudera Impala 3.1+
Cloudera Impala 3.1+ with Native Driver
Cloudera Impala with Native Driver
DataVirtuality
Databricks
Denodo 7
Denodo 8 & 9
Dremio
Dremio 11+
Exasol
Google BigQuery Legacy SQL
Google BigQuery Standard SQL
Google Cloud AlloyDB for PostgreSQL
Google Cloud PostgreSQL
Google Cloud SQL
Google Spanner
Greenplum
HyperSQL
IBM Netezza
MariaDB
Microsoft Azure PostgreSQL
Microsoft Azure SQL Database
Microsoft Azure Synapse Analytics
Microsoft SQL Server 2008+
Microsoft SQL Server 2012+
Microsoft SQL Server 2016
Microsoft SQL Server 2017+
MongoBI
MongoSQL
MySQL
MySQL 8.0.12+
Oracle
Oracle ADWC
PostgreSQL 9.5+
PostgreSQL pre-9.5
PrestoDB
PrestoSQL
SAP HANA
SAP HANA 2+
SingleStore
SingleStore 7+
Snowflake
Teradata
Trino
Vector
Vertica