Nutzung
explore: explore_name {
symmetric_aggregates: yes
}
|
Hierarchie
symmetric_aggregates |
Standardwert
yes
Akzeptiert
Ein boolescher Wert (yes oder no)
|
Definition
Der Parameter symmetric_aggregates bestimmt, ob symmetrische Aggregate in einem bestimmten Explore angewendet werden oder nicht. Wenn symmetric_aggregates aktiviert ist, geben Aggregatfunktionen korrekte Ergebnisse zurück, auch wenn Joins zu einem Fanout führen. Symmetrische Aggregate werden auf der Best-Practices-Seite Symmetrische Aggregate verstehen ausführlicher beschrieben. Das Fanout-Problem, das sie lösen, wird im Community-Beitrag Das Problem von SQL-Fanouts erläutert.
Standardmäßig sind symmetrische Aggregate für jeden Explore in Looker aktiviert. Das bedeutet, dass Sie den Parameter symmetric_aggregates nur dann einfügen müssen, wenn Sie diese Funktion für ein Explore deaktivieren möchten, sofern Ihr SQL-Dialekt symmetrische Aggregate unterstützt.
Beispiele
Aktivieren Sie symmetrische Aggregate für den Explore product:
explore: product {
symmetric_aggregates: yes # the default value, could be excluded
}
Symmetrische Aggregate für den Explore customer deaktivieren:
explore: customer {
symmetric_aggregates: no
}
Wichtige Punkte
Joins sorgfältig erstellen, wenn symmetrische Aggregate deaktiviert sind
Symmetrische Aggregate verhindern, dass bestimmte Berechnungen falsche Ergebnisse liefern, wenn ein Join zu einem Fanout führt. Wenn Ihr Dialekt symmetrische Aggregate nicht unterstützt oder Sie sie deaktivieren, müssen Sie bei der Ausführung von Joins in Looker besonders aufmerksam sein. Dieses Problem und die entsprechenden Problemumgehungen werden im Community-Beitrag The problem of SQL fanouts ausführlich beschrieben.
Nicht alle Datenbankdialekte unterstützen die Messwerttypen „Median“ und „Perzentil“ mit symmetrischen Aggregaten.
Wenn symmetrische Aggregate aktiviert sind, konvertiert Looker die Measure-Typen percentile und median automatisch in percentile_distinct und median_distinct, wenn ein Join ein Fanout beinhaltet. Nicht alle Datenbankdialekte, die symmetrische Aggregate unterstützen, unterstützen die Measure-Typen percentile_distinct und median_distinct. Auf der Dokumentationsseite Messwerttypen können Sie nachsehen, ob Ihr Datenbankdialekt diese Messwerttypen unterstützt.
Wenn Sie einen Fehler wie SQL dialect doesn't support Symmetric Aggregates with percentiles, field ignored. erhalten, bedeutet dies, dass Ihr Datenbankdialekt die Measure-Typen percentile_distinct und median_distinct nicht unterstützt. Um dieses Problem zu umgehen, ändern Sie den Messwerttyp in type: number und geben Sie dann die Aggregatfunktion mit sql: median(${dimension}) an. Dadurch werden jedoch symmetrische Aggregate deaktiviert.
Symmetrische Aggregate und Value Overflow-Fehler
Beim Versuch, Dashboards herunterzuladen oder anzusehen, kann ein Fehler wie A LookML model issue occurred. Non-unique value/primary key (or sql_distinct_key), value overflow or collision when computing sum. auftreten.
Wenn Sie eine Measure mit großen Werten aggregieren, können Hintergrundberechnungen für die symmetrische Aggregation zu Dezimalüberlauffehlern führen. Dezimalüberlauffehler werden verursacht, wenn Looker versucht, eine symmetrische Aggregation (z. B. type: sum) mit Left Joins für sehr große Werte mit mehr als 14 Ziffern (Werte größer als 10.000.000.000.000) durchzuführen.
Zur Behebung dieses Problems können Sie den Parameter precision verwenden und auf 5 oder niedriger festlegen. Beispiel:
measure: average_value {
type: average
precision: 5
sql: ${value} ;;
}
Dialektunterstützung für symmetrische Aggregate
Die Möglichkeit, symmetrische Aggregate zu verwenden, hängt von dem Datenbankdialekt ab, den Ihre Looker-Verbindung verwendet. In der neuesten Version von Looker unterstützen die folgenden Dialekte die Aggregat-Awareness:
| Dialekt | Unterstützt? |
|---|---|
| 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 | |
| ClickHouse 26+ | |
| 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+ | |
| Dremio 26+ with Arrow Flight SQL | |
| 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 |